Lecture Automatique de Plaques d'Immatriculation par les

I

République Algérienne Démocratique et Populaire

Ministère de l’Enseignement Supérieure et de la

Recherche Scientifique

Université Ahmed Draia – Adrar

Faculté des Sciences et de la Technologie

Département des Mathématiques et Informatique

Mémoire de fin d’étude, en vue de l’obtention du diplôme de Master en informatique

Option : Système d’Intelligents.

Thème

Lecture Automatique de Plaques d'Immatriculation par

les Machines à Vecteurs de Support

Préparé par

GADOUI Siham et KEBIR Fatima

Devant la commission d’examen composée de

Mr. Abdelouahab OUAHAB MAA Président

Dr. El Mamoun MAMOUNI MCA Rapporteur

Mr. MEDIANI MAA Examinateur

Année universitaire 2019-2020

II

III

Résumé

Ce projet consiste à réaliser un système de détection et de reconnaissance des plaques

d'immatriculation de véhicules algériens. Pour cela nous avons un système complet de

localisation, de segmentation et de reconnaissance des chiffres que nous avons appelé LAPI.

Le système LAPI a été développé en passant par trois phases. Tout d’abord un prétraitement

a été effectué pour filtrer et réduire le bruit de l'image originale. Ensuite une phase de détection

de contour sur l’image obtenue en utilisant le filtre Prewitt, et enfin nous appliquons une lecture

OCR pour reconnaitre les chiffres de la plaque d’immatriculation en utilisant les Machines à

Vecteurs de Support (SVM) comme une méthode de classification, des résultats encourageants

ont été obtenus.

Mots clés

Détection de contour, Machines à Vecteurs de Support (SVM), OCR, Segmentation, Lecture

Automatique de Plaques d’Immatriculation (LAPI).

Abstract

Algerian vehicle license plates. For that we realized a state of the art and a preliminary study

in order to gather the necessary information to make it possible to define the different treatments

to be implemented in this system.

The system LAPI has been developed through three phases. Firstly a pretreatment was to

filter and reduce the noise of the original image. Then a contour detection phase on the image

obtained using segmentation, and finally we apply an OCR reading to recognize the character

forms on the license plate using Support Vector Machines (SVM) as a classification method.

Key words

Edge detection, Support Vector Machines, OCR, Segmentation, Lecture Automatique de

Plaques d’Immatriculation (LAPI), mathematic morphologies.

IV

ملخص

قمنا ذلك أجل من .عليها والتعرف الجزائرية المركبات ترخيص لوحات عن للكشف نظام إنشاء المشروع هذا يتضمن

.النظام هذا في تطبيقها سيتم التي اللازمة التقنيات تحديد الممكن من لجعل اللازمة المعلومات جمع أجل من أولية بدراسة

من خلال ثلاث مراحل. أولاً، كانت المعالجة المسبقة هي تصفية وتقليل ضوضاء الصورة LAPIتم تطوير نظام

منا بتطبيق وأخيرًا ق التجزئة،الصورة التي تم الحصول عليها باستخدام يالهندسية فالأصلية. ثم مرحلة الكشف عن الاشكال

كطريقة تصنيف. Support Vector Machines (SVM)الترخيص باستخدام أحرف لوحةللتعرف على OCRقراءة

المفتاحية الكلمات

Détection de contour, Machines à Vecteurs de Support (SVM), OCR, Segmentation, Lecture

Automatique de Plaques d’Immatriculation (LAPI), Morphologie mathématique.

V

Remerciements

Tous nos remerciements s’adressent tous d’abord à tout puissant

ALLAH, d’avoir guidé nos pas vers le chemin du savoir.

La première personne que nous tient à remercier sont notre encadrant

Mr.MAMOUNI El Mamoun, pour l’orientation, la confiance, la

patience qui m’a constitué un apport considérable sans lequel ce

travail n’aurait pas pu être mené au bon port. Qu’il trouve dans ce

travail un hommage vivant à sa haute personnalité.

Nous joignons à ces remerciements le président du jury Mr.OUAHAB

et examinateur Mr.MEDIANI pour avoir accepté de faire partie du

jury et pour leur lecture minutieuse et avisé des nombreuses pages qui

suivent.

Nous tient à exprimer mes sincères remerciements à tous les

professeurs qui m’ont enseignés et qui par leurs compétences nous

avons soutenu dans la poursuite de mes études.

Enfin, nous remercions tous ceux qui, de près ou de loin, sont

contribué à la réalisation de ce travail.

VI

Dédicace

Le plus grand merci s'adresse au bon Dieu

Je dédie ce modeste travail à :

Ma mère, qui a œuvré pour ma réussite,

Mon père, qui peut être fier de trouver ici le résultat de longues années

de sacrifices,

Mes très chers frères et mes sœurs,

Toute la famille sans exception et tous mes amis

Mon binôme Siham,

Tous ceux qui ont contribué de près ou de loin pour que ce projet soit

possible,

Je vous dis merci.

Fatima

VII

Dédicace

Je dédie ce modeste travail,

A mon père qui s’est tant donné et sacrifié,

A ma très chère mère qui m’a toujours soutenue,

A mes très chers frères,

A mes sœurs,

A mon binôme Fatima,

Je remercie tous ceux qui, de près ou de loin, sont contribué à la

réalisation de ce travail.

Je vous dis merci.

Siham

VIII

Table des matières Résumé ..........................................................................................................................III

Remerciements ..............................................................................................................V

Dédicace................................................................................................................ .........VI

Liste des figures ........................................................................................................... XII

Liste des tableaux ......................................................................................................... XIV

Introduction générale .....................................................................................................1

Chapitre 1: Reconnaissance de

formes 1.Introduction…. ....................................................................................................... 5

2.Reconnaissance des formes ..................................................................................... 5

2.1Intelligence Artificielle...................................................................................... 5

2.2Définitions…………… ..................................................................................... 6

3.Historique…… ....................................................................................................... 7

4.Méthodes de reconnaissance de formes ................................................................... 8

5.Schéma général d’un système de Reconnaissance des formes ................................. 9

5.1Préparation des données .................................................................................... 9

5.1.1Numérisation… .......................................................................................... 9

5.1.2Prétraitement............................................................................................... 9

5.1.3Calcul des représentations… ..................................................................... 10

5.2Apprentissage…………. ................................................................................. 10

5.3Classification………… ................................................................................... 10

5.4Post traitement……….. ................................................................................... 10

6.Applications typiques de la reconnaissance des formes ......................................... 10

6.1Marketing...................... .................................................................................. 10

6.2Finances………………. .................................................................................. 11

6.3Usinage………………. ................................................................................... 11

6.4Energie………………..................................................................................... 11

6.5Lecture automatisée............. ............................................................................ 11

6.6Sécurité………………. ................................................................................... 11

IX

7.Conclusion….. ...................................................................................................... 11

Chapitre 2: traitement d'images

et segmentation

1.Introduction........ .................................................................................................. 14

2.Définition du traitement d’images ......................................................................... 14

2.1Image............................ ................................................................................... 15

2.2Représentation d'image ................................................................................... 15

2.2.1Image matricielle…. ................................................................................. 16

2.2.2Image vectorielle ...................................................................................... 16

2.3Principe d'acquisition d'image. ........................................................................ 16

2.4Caractéristiques d'une image… ....................................................................... 17

2.4.1Taille………… ......................................................................................... 17

2.4.2Résolution……. ........................................................................................ 17

2.4.3Bruit…………. ......................................................................................... 17

2.4.4Contraste…….. ......................................................................................... 17

2.4.5Histogramme…. ....................................................................................... 17

2.4.6Luminance…… ........................................................................................ 18

2.4.7Images à niveaux de gris…. ...................................................................... 18

2.4.8Image en couleur…. .................................................................................. 18

2.5Les principales étapes de traitement d'image.................................................... 18

2.6Type de données manipulées… ....................................................................... 19

2.7Les opérateurs de traitement d'image.. ............................................................. 19

2.7.1Filtres linéaires… ..................................................................................... 20

2.7.2Lisage………… ....................................................................................... 20

2.7.3Détection de contours.... ........................................................................... 21

2.8Opérateurs morphologiques..... ........................................................................ 23

2.8.1Conversion de l’image en niveau de gris ................................................... 23

2.8.2L’érosion……........................................................................................... 23

2.8.3La dilatation….. ........................................................................................ 23

2.8.4L'ouverture…… ........................................................................................ 23

2.8.5La fermeture….. ....................................................................................... 24

3.Segmentation d’image .......................................................................................... 24

X

3.1Définition de la segmentation… ...................................................................... 24

3.2Le choix d’une technique de segmentation ...................................................... 26

3.3Objectifs de la segmentation… ........................................................................ 26

3.4Les stratégies de segmentation.. ...................................................................... 26

3.4.1Les stratégies scalaires…. ......................................................................... 26

3.4.2Les stratégies marginales.. ........................................................................ 27

3.4.3Les stratégies vectorielles.. ....................................................................... 27

3.4.4Les Stratégie hybride.. .............................................................................. 28

3.5Méthodes de classification… ........................................................................... 28

3.5.1Réseaux de neurones..... ............................................................................ 29

3.5.2Machines à Vecteur de Support (Support Vector Machine) ....................... 29

3.5.3K plus proche voisins (K-NN)................................................................... 29

4.Conclusion….. ...................................................................................................... 30

Chapitre 3 : Machines à vecteurs

de support (SVM) 1.Introduction…. ..................................................................................................... 33

2.Pourquoi les Machine à Vecteurs de Support (SVM) ? .......................................... 33

3.Définition de SVM ............................................................................................... 33

4.Historique….. ....................................................................................................... 34

5.Apprentissage statistique et SVM ......................................................................... 35

6. Principe de fonctionnement général de SVM ....................................................... 35

6.1Notions de base………. .................................................................................. 35

6.1.1Hyperplan……. ........................................................................................ 35

6.1.2Vecteurs de support…............................................................................... 36

6.1.3Marge………… ........................................................................................ 36

6.2Pourquoi maximiser la marge ?... .................................................................... 37

6.3Linéarité et non-linéarité ................................................................................. 38

6.3.1Cas linéairement séparable…. ................................................................... 38

6.3.2Cas non linéairement séparable… ............................................................. 38

6.4Fondements mathématiques… ......................................................................... 39

6.4.1Cas des données linéairement séparables.. ................................................. 39

6.4.2Cas des données non-linéairement séparables............................................ 40

6.4.3Fonction noyau. ........................................................................................ 41

6.5SVM multi-classes…… .................................................................................. 42

XI

6.5.1Approche Un contre un (One versus One) ................................................. 42

6.5.2Approche Un contre tous (One versus All) ................................................ 44

1.Graphe de décision.. ............................................................................................. 46

8.SVMs basées arbres de décision ........................................................................... 48

9.Architecture générale d’une machine à vecteur support ......................................... 48

10.Utilisation des SVM ........................................................................................... 50

11.Avantages et inconvénients ................................................................................. 50

11.1Avantages…………… .................................................................................. 50

11.2Inconvénients………..................................................................................... 50

12.Conclusion.... ...................................................................................................... 51

Chapitre 4 : Résultats expérimentaux et

discussions 1 Introduction... ....................................................................................................... 53

2 Ressources matérielles et logicielles ..................................................................... 53

2.1 Ressources matérielles ................................................................................... 53

2.2 Ressources logicielles..................................................................................... 53

2.2.1 Environnement informatique .................................................................... 53

2.2.2SVM multiclass ........................................................................................ 54

3.Caractéristiques des plaques d’immatriculation Algériennes ................................. 54

4. Architecture générale de système LAPI ............................................................... 56

5.Les interfaces de l'application ............................................................................... 57

5.1 Système de détection de plaque ...................................................................... 57

5.1.1 Charger l’image ....................................................................................... 58

5.1.2 Prétraitement............................................................................................ 59

5.1.3Localisation de la plaque... ........................................................................ 62

5.2Système de segmentation…............................................................................. 63

5.2.1Segmentation basée sur la projection et les composants connexes ............. 63

5.3Système de reconnaissance de chiffre.. ............................................................ 64

5.3.1Description de notre base de données ........................................................... 64

5.3.2L’extraction des primitives…. ...................................................................... 65

6Expérimentations et Résultats.. .............................................................................. 68

7Conclusion….. ....................................................................................................... 70

Conclusion générale………………………………………………………………… .72

Référence…………………………………………………………………………… .74

XII

Liste des figures

Figure 1.1: Intelligence Artificielle :de la fiction à la réalité .Erreur ! Signet non défini.

Figure1.2 : Schéma général d’un système de reconnaissance des formes …………..15

Figure 2.1: Différents types d'images. ..................................................................... 15

Figure 2.2: Filtre de Prewitt . .................................................................................. 21

Figure 2.3 : Filtre de Sobel . ................................................................................... 22

Figure 2.4: Filtre de Canny . ................................................................................... 22

Figure 2.5 : Exemple de dilation et érosion. ............................................................ 23

Figure 2.6: Stratégie scalaire …………………………………………………… ….33

Figure 2.7 : Les stratégies marginales ……………………………………………….34

Figure 2.8: Les stratégies vectorielles………………………………………………..34

Figure3.1: Exemple d’un hyperplan sépare deux ensembles de points..... ........ ….…41

Figure 3.2 : Exemple de vecteurs de support ………………………………………...41

Figure 3.3 : Exemple de marge maximal (hyperplan valide) …….…………………..42

Figure 3.4 :a) Hyperplan avec faible marge, b) Meilleur hyperplan séparateur………42

Figure 3.5 : Exemple de classification d’un nouvel élément………………………...43

Figure 3.6 : a) Cas linéairement séparable, b) Cas non linéairement séparable ……..43

Figure 3.7 : Transformation de l’espace de données……………………………..…..44

Figure 3.8 : Le passage par une description des données peut permettre une séparation

linéaire des exemples…………………………………………………………………48

Figure 3.9 : Approche une-contre-une…………………………………………………50

Figure 3.10 : Approche une-contre-reste avec des zones d’indécision………………...51

XIII

Figure 3.11 : Résolution des cas d’indécision dans la méthode 1vsR…………………52

Figure 3.12: Graphe de décision acyclique orienté à quatre classes……………………54

Figure 3.13 : SVM multi classe par arbre de décision…………………………..…..…55

Figure 3.14 : Architecture d’une machine à vecteur support…………………………..56

Figure 4.1: Composantes de base de l’immatriculation des véhicules Algérienne..……55

Figure 4.2:Quelques exemples de plaques d’immatriculation Algérienne...............…...55

Figure 4.3: Architecture générale du notre système……………………..…………….56

Figure 4.4 : Interface Système de reconnaissance des plaques d'immatriculation Algérienne

…………………………………………………………………………………………..57

Figure 4.5 : Interface Système de détection de plaque………………………………...57

Figure 4.6 : Interface de charger l'image……………………………………………….58

Figure 4.7 : Image originale transformée en images en niveau de gris………………...59

Figure 4.8: Application la binarisation sur une image en niveau de gris……………….60

Figure 4.9: Application de l’algorithme de Prewitt sur une image en niveau de gris…..61

Figure 4.10: Application les opérations l'érosion et fermeture……………………...….61

Figure 4.11: Projection verticale et horizontal de l’image d'opération morphologie…..62

Figure 4.12: Localisation de plaque de matricule.....................................................…...63

Figure 4.13:la plaque d’immatriculation en caractères avec et sans recadrage…………63

Figure 4.14: Processus de segmentation des caractères de plaques d’immatriculation...64

Figure 4.15 : Exemple de matrice de distribution (4*4) de chiffre "9"….... ……….….66

Figure 4.16: Interface de création des corpus…………………………………….…..…68

Figure 4.17 : Interface de démarrer l’apprentissage………………….……..…….….…69

Figure 4.18 : Interface de la classification…………………………..……………..…...69

XIV

Liste des tableaux

Tableau 4.1: Représentation de caractéristique technique de l'ordinateur de développement53

Tableau 4.2: Description de notre base de données………………………………………….65

Tableau 4.3: Des échantillons de notre base de données…………………………………….65

Tableau 4.4: Vecteur des caractéristiques de chiffre "0" Zéro……………………………....67

1

Introduction

générale

2

Introduction générale


La reconnaissance automatique de plaques d'immatriculation des véhicules est le plus

intéressant et stimulant sujet de recherche à partir de ces dernières années. Il est montré que les

plaques d'immatriculation sont forme et de taille différentes et ont également couleur différente

dans différents pays.

Le numéro d’immatriculation représente un moyen efficace pour identifier les véhicules. Il

s’agit d’une information unique pour chaque voiture.

L'identification des plaques d'immatriculation utilisée surtout dans un contexte de sécurité. Les

informations extraites de la plaque peuvent être utilisées pour diverses finalités, comme la

recherche de véhicules suspects ou encore la lutte contre la criminalité, etc. Ceci rend leur

lecture cruciale et inévitable dans tous ces domaines.

En Algérie, les plaques d'immatriculation ont la même forme (fond blanc ou jaune avec

la couleur noire pour les caractères). Pour ces conditions, on va proposer un système qui se

concentre sur deux phases principales : La localisation (prétraitement et la détection des

plaques) et la reconnaissance des plaques d'immatriculation (la segmentation et la

reconnaissance des chiffres).

Ce mémoire est composé de quatre chapitres :

Le 1er chapitre présent quelques généralités sur la vision artificielle et nous avons définies

quelque notion de reconnaissance des formes, ainsi que les différentes approches existantes

pour la reconnaissance de formes.

Le 2èm chapitre nous allons présenter des études sur le traitement d'images et segmentation

et les notions de base nécessaires à la compréhension de ces techniques.

3


Le 3èm chapitre présente une description générale de la méthode de classification consiste

au SVM pour la reconnaissance des chiffres des plaques d'immatriculation.

Le 4èm chapitre présente l’environnement de travail et la réalisation de chaque phase de

notre système ainsi que les résultats obtenus avec l’évaluation des performances des différentes

phases.

4

Chapitre 1

Reconnaissance

de formes

Chapitre 1 : Reconnaissance de formes

5

1. Introduction

L’un des principaux objectifs de l’ordinateur est d’automatiser les tâches habituellement

effectuées par l’homme. La plupart des activités humaines reposent sur une faculté importante

de notre cerveau : pour voir distinguer entre les formes. Par exemple, reconnaître une pomme

d’une orange ; un bon diagnostic d’un mauvais, ou encore un sous-marin d’une baleine. Pour

pouvoir automatiser ce genre de tâches, l’ordinateur doit obligatoirement acquérir la faculté de

reconnaître les formes.

Dans ce chapitre, nous allons parler d’une manière générale sur le domaine de

reconnaissance de formes et l’intelligence artificielle en présentant les différentes étapes

constituant un système de reconnaissance de formes et son domaine d’application.

2. Reconnaissance des formes

2.1 Intelligence Artificielle

Le terme d’Intelligence Artificielle (IA) désigne toutes les techniques et méthodes qui

permettent de doter des systèmes informatiques de capacités proches de celles de l’être humain.

La science-fiction s’est approprié ce domaine en imaginant des robots, dotés d’une intelligence

qui serait semblable à celle de l’homme. Toutefois, de nos jours, notre maîtrise de l’IA est bien

plus modeste ; les systèmes développés ne sont capables que d’imiter certaines capacités de

l’homme. Prenons par exemple des robots alliant des capacités de perception de

l’environnement et de commande qui sont capables de se déplacer de façon autonome en évitant

les obstacles (voir figure 1.1).

Le but de ma thèse est de réaliser un système permettant de détecter des piétons devant un

véhicule à partir d’une caméra embarquée. Mon travail se situe au niveau de la perception ;

effectivement, il s’agit de recréer artificiellement les capacités de perception d’un conducteur

qui chercherait de façon active les piétons situés devant son véhicule avec lesquels il pourrait

entrer en collision. Le système désiré est donc apparenté à un système d’Intelligence Artificielle

[3].


6

Figure 1.1: Intelligence Artificielle :de la fiction à la réalité [3].

a) exemple d’un robot imaginé par la science-fiction (extrait du film I-Robots) ayant les mêmes

capacités que l’être humain,

b) exemple des capacités d’un robot actuel (NAO de la société AldebaranRobotics).

2.2 Définitions

On désigne par reconnaissance de formes (ou parfois reconnaissance de motifs) un ensemble

de techniques et méthodes visant à identifier des motifs à partir de données brutes afin de

prendre une décision dépendant de la catégorie attribuée à ce motif. On considère que c’est une

branche de l’intelligence artificielle qui fait largement appel aux techniques d’apprentissage

automatique et aux statistiques. Les formes ou motifs à reconnaître peuvent être de nature très

variée. Il peut s’agir de contenu visuel (code barre, visage, empreinte digitale…) ou sonore

(reconnaissance de parole), d’images médicales (rayon X, EEG, IRM…) ou multi spectrales

(images satellitaires) et bien d’autres. Watanabe a défini une forme comme : « l’opposé du

chaos ; c’est une entité vaguement définie, à laquelle on peut associer un nom ». En des termes

informatiques, une forme est un ensemble de valeurs, appelés attributs, auxquels est associé un

nom (ou étiquette), qui est leur classe. Plusieurs formes peuvent avoir la même classe, on dit

alors que ce sont les exemples ou réalisations de la classe. Le problème que cherche à résoudre

la reconnaissance des formes est d’associer une classe à une forme inconnue (qui n’a pas encore

de classe associée). On considère souvent la Reconnaissance des formes comme un problème

de classification : trouver la fonction qui affecte à toute forme inconnue sa classe la plus

pertinente. Elle est partie intégrante de tout système intelligent destine à la prise de décision

[4].


7

3. Historique

Or que ce soit pour déchiffrer un texte dactylographié ou manuscrit, pour compter des

chromosomes, reconnaître une tumeur, un char ou un avion de guerre, la compréhension de

l’image, sa classification passe toujours par la reconnaissance d’une forme. « Plusieurs

approches théoriques ont été développées », explique Olivier Faugeras.

« Les premières consistaient à faire des calculs à partir de l’image et construire des

représentations symboliques de plus en plus complexes, d’abord en deux dimensions tel que

sur l’image, puis tridimensionnelles, pour tenter de restituer une description proche de notre

propre vision. » Un peu partout dans le monde, les chercheurs ont mis au point des méthodes

mathématiques permettant de détecter les contours des objets à partir des changements rapides

de contraste dans l’image, des ombres et des lumières, des régions homogènes en couleur, en

intensité, en texture.

« Dès 1964, des chercheurs français, Georges Matheron (1930-2000) et Jean Serra, ont

développé une autre approche théorique (baptisée morphologie mathématique) et un outil

spécifique (l’analyseur de texture breveté en 1965, ndlr) d’abord pour analyser des

microphotographies de terrain et évaluer des teneurs en minerai, puis pour d’autres applications

comme la cytologie (caractérisation et comptage de cellules) » rappelle Olivier Faugeras. En

1968, ils créent le Centre de morphologie mathématique de l’Ecole des Mines de Fontainebleau.

Leurs outils d’analyse et d’interprétation d’images sont longtemps restés franco-français,

jusqu’à ce qu’un américain, Robert Haralick (Université du Kansas à cette époque, de Seattle

actuellement), en fasse une large publicité dans les années 1980, en les adaptant à de

nombreuses applications : industrielles comme l’inspection radiographique des ailes d’avions

de Boeing, aériennes ou médicales.

D’autres chercheurs, comme les américains Marvin Minsky et Seymour Papert du MIT

(Massachussets Institute of Technology) ont considéré le problème dans l’autre sens, en

cherchant à formaliser et à faire reproduire par l’ordinateur notre propre processus de

reconnaissance d’images, donc notre propre vision. Cette démarche était dans l’air du temps,

au coeur des promesses de « l’intelligence artificielle » qui devait permettre de mettre

l’intelligence en équations et doter les ordinateurs de toutes les capacités humaines de

raisonnement, mémoire, perception. Or la vision s’est révélée être un domaine particulièrement

complexe à modéliser tant elle est basée sur une quantité phénoménale de connaissances à priori

fondée sur notre intelligence et notre expérience [2].


8

4. Méthodes de reconnaissance de formes

Mise en correspondance de graphes.

Méthode Bayesienne.

Estimation Paramétrique.

Classifieur linéaire.

Réseau de neurones.

Local feature focus.

Support Vector Machine (SVM).

Polytôpes de contrainte.

Méthode des hypercubes.

Un algorithme bien connu pour la détection de formes, la transformée de Hough, est une

méthode d'estimation paramétrique [4].

La reconnaissance de motifs peut être effectuée au moyen de divers algorithmes d'apprentissage

automatique tels [4] :

un réseau de neurones.

une analyse statistique.

l'utilisation de modèles de Markov cachés.

une recherche d'isomorphisme de graphes ou sous-graphes.

Les formes recherchées peuvent être des formes géométriques, descriptibles par une formule

mathématique, telles que :

Cercleou ellipse.

Courbes de Bézier, splines.

Droite.

Elles peuvent aussi être de nature plus complexe :

Letter.

Chiffre.

Empreintedigitale.

Les algorithmes de reconnaissance peuvent travailler sur des images en noir et blanc, avec

en blanc les contours des objets se trouvant dans l'image. Ces images sont le fruit d'algorithmes

de détection de contours. Ils peuvent aussi travailler sur des zones de l'image prédéfinies issues

de la segmentation de l'image.


9

5. Schéma général d’un système de Reconnaissance des formes

La majorité des systèmes de Reconnaissance des formes ont le schéma de fonctionnement

suivant (voir figure 1.2).

Figure1.2 : Schéma général d’un système de reconnaissance des formes [1].

5.1 Préparation des données

5.1.1 Numérisation

A partir des informations du monde physique, construire une représentation des données

directement manipulable par la machine. Des capteurs (microphone, caméra, instruments de

mesure) convertissent les signaux reçus du monde réel en une représentation numérique

discrète. L’espace résultant, appelé "espace de représentation", a une dimension r très grande

lui permettant de disposer du maximum d’informations sur les formes numérisées [1].

5.1.2 Prétraitement

Consiste à sélectionner dans l’espace de représentation l'information nécessaire au domaine

d’application. Cette sélection passe souvent par l’élimination du bruit, la normalisation des

données, ainsi que par la suppression de la redondance. Le nouvel espace de représentation a


11

une dimension r’ très inférieure à r mais demeure un espace de grande dimension et contient

des informations encore assez primitives [1].

5.1.3 Calcul des représentations

Il s’agit de la phase finale de la préparation des données. Elle fournit un certain nombre de

"caractéristiques "ou "paramètres"(fameux attributs) en utilisant des algorithmes de sélection

et/ou d’extraction d’attributs. Les attributs étant limités en nombre, "l’espace des paramètres"

ainsi obtenu est de dimension p très petite par rapport à r’ [4].

5.2 Apprentissage

L’apprentissage ou entraînement, est une partie importante du système de reconnaissance.

Le classificateur étant généralement une fonction paramétrique, l’apprentissage va permettre

d’optimiser les paramètres du classificateur pour le problème résoudre, en utilisant des données

d’entraînement. Lorsque les données d’entraînements ont préalablement classées,

l’apprentissage est dit "supervisé", sinon il est "non supervisé"[4].

5.3 Classification

Cette phase est le noyau de la Reconnaissance des formes. En utilisant les modèles

(paramètres) obtenus lors de l’apprentissage, le classificateur assigne à chaque forme inconnue

sa ou ses formes les plus probables [4].

5.4 Post traitement

Cette phase a pour but de corriger les résultats de la classification en utilisant des outils

spécifiques au domaine d’application. Par exemple pour un système de reconnaissance de textes

manuscrits, le classificateur se charge de classer chaque caractère séparément, alors que le post

traitement applique un correcteur orthographique sur tout le texte pour valider et éventuellement

corriger le résultat de la classification. Bien que facultative, cette phase permet d’améliorer

considérablement la qualité de la reconnaissance [4].

6. Applications typiques de la reconnaissance des formes

6.1 Marketing

La reconnaissance des formes est souvent utilisée pour classer les consommateurs selon les

produits qu’ils sont susceptible d’acheter. Elle est aussi utilisée par les sociétés de vente pour

classer les clients selon qu’ils soient de bons ou mauvais payeurs, ou encore selon qu’ils vont

oui ou non passer à la concurrence [1].


11

6.2 Finances

Les systèmes de reconnaissance des formes sont utilisés pour la détection de transactions

bancaires frauduleuses ainsi que la prédiction des banqueroutes [1].

6.3 Usinage

La qualité des produits dépend souvent de para métrisation correcte, et les relations exactes

entre la qualité et les valeurs des paramètres n’est pas claire. Les systèmes de reconnaissance

des formes sont utilisés pour classer les paramètres selon la qualité des produits qu’ils sont

susceptibles de générer. Ils permettent ainsi de réduire le nombre d’essais ce qui fait gagner du

temps et de l’argent [1].

6.4 Energie

Les systèmes de reconnaissance des formes sont utilisés pour prévoir la consommation

électrique (réduite, normale, élevée), permettant ainsi aux clients de réduire si nécessaire leur

consommation, et aux producteurs de mieux gérer leurs unités de production [1].

6.5 Lecture automatisée

Les systèmes de reconnaissance des formes permettent de numériser les anciens documents

ainsi que les archives, non pas sous la formes d’images, mais plutôt sous une forme textuelle

[1].

6.6 Sécurité

La reconnaissance vocale et rétinienne est un exemple d’applications typiques de la

reconnaissance des formes pour l’authentification. La vérification des signatures est aussi très

populaire [1].

7. Conclusion

De manière générale, on peut dire que les systèmes de reconnaissance des formes sont des

fonctions de classification qui associent à toute forme inconnue sa classe la plus probable.

Malgré la difficulté de la tâche, les systèmes de reconnaissance des formes ont connus un grand

succès dans des domaines variés.

Un système de reconnaissance des formes contient principalement quatre modules. Un

module de préparation de données qui se charge de faciliter la tâche de reconnaissance en

représentant les données en entrée sous une forme adaptée à la classification. Un module

d’apprentissage qui va optimiser la fonction de classification pour le domaine d’application

ciblé. Un module de classification qui va classer les formes inconnues et un module de post


12

traitement qui va corriger les résultats du classificateur en utilisant des mécanismes spécifiques

au domaine d’application.

13

Chapitre 2

Traitement

d'images et

segmentation

Chapitre 2: traitement d'images et segmentation

14

1. Introduction

Le traitement d’images est un domaine très vaste qui a connu, et qui connaît encore, un

développement important depuis quelques dizaines d’années.

Nous ayons désignée par traitement d'images numériques l'ensemble des techniques

permettant de modifier une image numérique afin d'améliorer ou d'en extraire des informations.

Dans ce chapitre, nous abordons les notions de base nécessaires à la compréhension des

techniques de traitement d’images. Ensuite, nous allons donner un aperçu sur les différentes

techniques connues dans ce domaine.

2. Définition du traitement d’images

Le traitement d'images est une discipline de l'informatique et des mathématiques

appliquées qui étudie les images numériques et leurs transformations, dans le but d'améliorer

leur qualité ou d'en extraire de l'information [5].

Il s'agit d'un sous-ensemble du traitement du signal dédié aux images et aux données dérivées

comme la vidéo par opposition au sous-ensemble consacrées aux sons et autres signaux [6].

La compréhension du traitement d'images commence de ce qu'est une image. Le mode et les

conditions d'acquisition et de numérisation des images traitées conditionnent largement les

opérations qu'il faudra réaliser pour extraire de l'information. En effet de nombreux paramètres

entrent en compte, les principaux étant:

La résolution d'acquisition et le mode de codage utilisé lors de la numérisation, qui

déterminent le degré de précision des éventuelles mesures de dimensions.

Les réglages optiques utilisés, (dont la mise au point) qui détermine par exemple la netteté

de l'image.

Les conditions d’éclairage, qui déterminent une partie de la variabilité des images

traitées.

Le bruit de la chaîne de transmission d'image.

Quelques exemples types d'informations qu'il est possible d'obtenir d'une image numérique :

La luminance moyenne ;

Le contraste moyen ;

La couleur prédominante ;


15

Le taux d'acuité moyen (précis ou flou) ;

Le taux d'uniformité des couleurs ;

La présence ou l’absence de certains objets.

2.1 Image

Une image est avant tout un signal 2D (x, y) Souvent, cette image représente une réalité 3D (x,

y, z), il existe deux points de vue sur la notions de l'image [6] :

D'un point de vue humain : Une image contient plusieurs informations sémantiques il faut

interpréter le contenu au-delà de la valeur des nombres.

D'un point de vue mathématique : Une image est une matrice de nombres représentant un

signal, plusieurs outils permettent de manipuler ce signal.

Il existe trois principaux types d'images :

Images en niveaux de gris, dont la valeur appartient à l'ensemble suivant Image(x,y)

∈[0..255].

Images binaires (uniquement en noire et blanc), dont la valeur ne peut accéder 0 ou 1ce qui

nous donne la formule suivante : Image(x, y) ∈ {0, 1}.

Images couleurs qui fait un mélange des trois couleurs, ImageRed(x,y)ImageGreen(x,y)

ImageBlue(x, y).

Figure 2.1: Différents types d'images.

2.2 Représentation d'image

D’un point de vue informatique, l’image est avant tout un fichier numérique qui va

reconstituer un rendu visuel au travers des calculs. A la base, il existe deux technologies bien

distinctes pour produire ce rendu [5].

Images matricielles

Images en niveaux de gris Images binaires Images couleurs


16

Images vectorielles

2.2.1 Image matricielle

Encore appelée image Bitmap, l'image matricielle est certainement celle la plus répandue et

la plus couramment utilisée. Elle est tout simplement constituée d’une grille de milliers de

Pixels représentant les points de couleur successifs de l’image.

Nous parlons de points lorsque ces images sont imprimées ou destinées à l’impression

(Photographies, publicités, cartes etc.) Et nous parlons de pixels pour les images stockées sous

forme « binaire » ou numérique.

Chaque Pixel est alors un tout petit carré ayant une place bien définie avec sa propre couleur

et l’image devient alors un quadrillage de Pixels qui, placés les uns à côté des autres, restituent

le rendu visuel [6].

2.2.2 Image vectorielle

L’image Vectorielle utilise également la technique du Pixel, mais cette fois, leur position et

leur couleur ne sont pas figées puisqu’elles sont calculées dynamiquement par le logiciel [6].

Une image vectorielle est une image numérique composée d’objets géométriques individuels

(segments de droite, polygones, arcs de cercle, etc.) définis chacun par divers attributs de forme,

de position, de couleur, etc.

Par exemple pour afficher une ligne, le logiciel détermine le point de départ, le point d’arrivée

puis la trajectoire à suivre. Ensuite, il calcule et positionne l’ensemble des pixels nécessaires

pour afficher cette ligne. Il en va de même pour des formes et des couleurs plus complexes [6].

Par exemple, une image vectorielle d’un cercle est définie par des attributs de types : position

du centre, rayon, etc.… [5].

2.3 Principe d'acquisition d'image

L’acquisition d’images constitue un des maillons essentiels de toute chaîne de conception et

de production d’images [6].

Des sources lumineuses éclairent une scène composée d’objets ; Chaque objet absorbe et

renvoie cette énergie lumineuse ; enfin le capteur d’images transforme l’énergie lumineuse

renvoyée dans sa direction en un signal électrique.

Le passage de cet objet externe (l’image d’origine) à sa représentation interne (dans l’unité de

traitement) se fait grâce à une procédure de numérisation.

Ces systèmes de saisie, dénommés optiques, peuvent être classés en deux catégories principal :

Acquisition à partir d'une caméra.

Acquisition à partir d'un scanner.


17

2.4 Caractéristiques d'une image

L’image est un ensemble structure d’informations caractérisée par les paramètres suivants :

2.4.1 Taille

On appelle taille le nombre de pixels constituant l'image, c'est-à-dire sa « dimension

informatique » (le nombre de colonnes de l'image que multiplie son nombre de lignes).

Une image numérique est composée d’une grille de pixels. Ces pixels sont autant de petits

carrés porteurs d’une information de couleur élémentaire [6].

2.4.2 Résolution

C’est la clarté ou la finesse de détails atteinte par un moniteur ou une imprimante dans la

production d’images. Sur les moniteurs d’ordinateurs, la résolution est exprimée en nombre de

pixels par unité de mesure (pouce ou centimètre).

Nous utilisons aussi le mot résolution pour désigner le nombre total de pixels affichables

horizontalement ou verticalement sur un moniteur ; plus grand est ce nombre, meilleure est la

résolution [5].

2.4.3 Bruit

Le bruit dans une image est l'ensemble des pixels qui parasitent la photo, c'est un phénomène

qui consiste en la dégradation progressive de la qualité de l'image au fur et à mesure que l'on

augmente la sensibilité du capteur, il est dû aux limites en faible lumière du capteur et de

l’électronique de l’appareil photo et par conséquent entraîne une perte de la netteté dans les

détails de l'image [5].

2.4.4 Contraste

Le contraste est une propriété intrinsèque d'une image qui quantifie la différence de

luminosité entre les parties claires et sombres d'une image, le contraste d'une photo est lié à la

notion de luminosité, instinctivement une image parait contrastée lorsqu'elle mêle des zones

très lumineuses et des zones très sombres [6].

2.4.5 Histogramme

L’histogramme de niveaux des gris d'une image est une fonction qui permet de représenter

la distribution des couleurs de l'image, en indiquant pour chaque valeur entre le noir (0) et le

blanc (255), combien il y a de pixels de cette valeur dans l'image ; en abscisse (axe x) : le niveau

de gris (de 0 à 255) ; en ordonnée (axe y) : le nombre de pixels.

Les pixels sombres apparaissent à gauche de l'histogramme, les pixels clairs à droite de

l'histogramme et les pixels gris au centre de l'histogramme [6].


18

2.4.6 Luminance

La luminance encore appelée brillance est le quotient de l'intensité lumineuse d'une surface

par l'aire apparente de cette surface pour un observateur lointain.

Une surface très lumineuse présente une forte luminance, tandis qu'une surface parfaitement

noire aurait une luminance nulle [6].

2.4.7 Images à niveaux de gris

Le niveau de gris est la valeur de l’intensité lumineuse en un point. La couleur du pixel peut

prendre des valeurs allant du noir au blanc en passant par un nombre fini de niveaux

intermédiaires. Donc pour représenter les images à niveaux de gris, nous pouvons attribuer à

chaque pixel de l’image une valeur correspondant à la quantité de lumière renvoyée. Cette

valeur peut être comprise par exemple entre 0 et 255.

Chaque pixel n’est donc plus représenté par un bit, mais par un octet. Pour cela, il faut que le

matériel utilisé pour afficher l’image soit capable de produire les différents niveaux de gris

correspondant.

Le nombre de niveaux de gris dépend du nombre de bits utilisés pour décrire la "couleur" de

chaque pixel de l’image. Plus ce nombre est important, plus les niveaux possibles sont

nombreux [6].

2.4.8 Image en couleur

Même s’il est parfois utile de pouvoir représenter des images en noir et blanc, les

applications multimédias utilisent le plus souvent des images en couleurs. La représentation des

couleurs s’effectue de la même manière que les images monochromes avec cependant quelques

particularités. En effet, il faut tout d’abord choisir un modèle de représentation.

Nous pouvons représenter les couleurs à l’aide de leurs composantes primaires. Les

systèmes émettant de la lumière (écrans d’ordinateurs) sont basés sur le principe de la synthèse

additive : les couleurs sont composées d’un mélange de rouge, vert et bleu (modèle R.V.B) [6].

2.5 Les principales étapes de traitement d'image

En réalité, il n’existe pas de méthode de traitement d'images générale pour tous les domaines

d'application possible. Il faut appliquer à chaque domaine des algorithmes spécifiques. Ces

derniers utilisent le plus souvent des techniques classiques à savoir : la segmentation, la

classification, la reconnaissance des frontières, la reconnaissance des caractères, etc. [6].

De manière schématique toute méthode de traitement d'images comprend ces 3 étapes

majeures :

Prétraitements des images.


19

Amélioration des images.

Analyse des images.

2.6 Type de données manipulées

Le traiteur d'image dispose principalement d'images numériques, donc échantillonnées. Il

dispose également de données intermédiaires de diverses natures : cartes de régions, listes de

points connexes, tableaux de valeurs mesurées, etc.

En ce qui concerne les images proprement dites, la représentation la plus utilisée est celle d'un

tableau à 2 dimensions composé d'un ensemble de lignes et de colonnes.

Chaque cellule du tableau, appelée pixel, contient une valeur quantifiée. Cette valeur est une

sémantique dépendant du type de signal qu'elle code (intensité lumineuse du point, distance à

un point de référence, ou numéro de la région d'appartenance par exemple). Dans le cas des

images 3D d'IRM, la représentation n'est plus un tableau à 2 dimensions mais un tableau à 3

dimensions.3 [6].

2.7 Les opérateurs de traitement d'image

Le Par analogie avec les opérateurs mathématiques, on appelle opérateurs de traitement

d'images des traitements plus ou moins complexes prenant en entrée une image ou un ensemble

d'informations relatif à une image, et produisant une image ou un ensemble d'informations

relatif aux données initiales[5].

On classe généralement les opérateurs en différentes familles, en fonction des informations

qu'ils acceptent en entrée et qu'ils fournissent en sortie, et en fonction des transformations qu'ils

font subir aux données. Ainsi, par exemple, on distingue (cette liste est loin d'être exhaustive) :

Opérateurs image → image:

Opérateurs de modifications pixel à pixel (aussi appelés opérateurs point à point) :

changement de la dynamique de l'image, opérateurs binaires pixel à pixel (et, ou, xor, etc.);

Opérateurs locaux (traitent les pixels en fonction de leur voisinage) : opérateurs de flou,

opérateurs morphologiques (érosion, dilatation, squelette, etc), opérateurs de détection de

contours ;

Opérateurs dans l'espace fréquentiel : opérateurs de réduction du bruit, filtres passe-

bande (souvent utilisés en première approche pour améliorer l'image, on les appelle alors

des opérateurs de prétraitement) ;

Opérateurs globaux : calcul des distances ;

Opérateurs de croissance de régions : ligne de partage des eaux.

Opérateurs image → ensemble d'informations:


21

Opérateurs de segmentation en frontières, en régions ;

Opérateurs de classification de pixels ;

Opérateurs de calcul de paramètres.

Opérateurs ensemble d'informations → image :

Constructeurs d'image à partir d'une carte de régions ou d'une liste de frontières.

Les parties suivantes s'attachent à détailler les différents opérateurs et leurs Applications

habituelles, puis à présenter la manière dont ils sont combinés pour construire une application

de traitement d'images.

2.7.1 Filtres linéaires

Un filtre linéaire transforme un ensemble de données d'entrée en un ensemble de données

de sortie selon une opération mathématique appelée convolution. Lorsqu'il s'agit de, données

numérisées comme dans le cas du traitement d'image, la relation entre les valeurs des pixels de

sortie et celle des pixels d'entrée est décrite par un tableau de nombres, généralement carré,

appelé matrice de convolution. Le temps de calcul est souvent réduit lorsqu'on veut séparer un

filtre en deux filtres dont la convolution mutuelle permet de le reconstituer. Cette remarque est

utilisée en particulier pour créer un filtre à deux dimensions à partir de deux filtres à une seule

dimension (vecteurs) dans le sens horizontal et le sens vertical [6].

2.7.2 Lisage

Ceux-ci sont des filtres passe-bas qui coupent plus ou moins les plus hautes fréquences. Ils

sont utilisés pour atténuer les bruits d'origines les plus diverses qui polluent l'information, en

particulier dans la détection de contours considérée ci-après.

Techniquement, il s'agit de traductions discrètes de filtres continus qui, comme ceux-ci, ne

modifient pas le niveau global du signal. Les termes de la matrice de convolution sont donc

généralement des entiers à diviser par leur somme [6].

Filtre uniforme: il est obtenu par convolution de deux filtres unidimensionnels

rectangulaires. Toutes les composantes de la matrice ont la même valeur. L'imperfection de

ce filtre réside dans le fait qu'il introduit des déphasages.

Filtre pyramidal : la convolution d'un filtre rectangulaire avec lui-même conduit à un filtre

triangulaire grâce auquel les phases ne sont plus modifiées. Le filtre pyramidal obtenu à

partir de filtres triangulaires dans les deux directions.

Filtre gaussien : ce filtre très populaire utilise la loi de probabilité de Gauss (voir Loi

normale multidimensionnelle). Des approximations de plus en plus précises peuvent être

obtenues, selon le théorème central limite par itération de l'un des filtres précédents.


21

2.7.3 Détection de contours

Ces filtres transforment l'image d'entrée en une image noire sauf aux points où un contour

est détecté qui est marqué en blanc. Les valeurs absolues importent peu, il est sans intérêt

d'échanger d'échelle comme pour un lissage [6].

La détection est basée sur la dérivation selon les deux coordonnées. Si on considère

classiquement les signaux comme des sommes de sinusoïdes, la dérivation apparaît comme un

filtre passe-haut qui introduit donc du bruit à l'origine de faux contours. Pour l'amateur il est

recommandé, avant d'utiliser un filtre simple, d'atténuer ce bruit par passage dans un filtre flou.

Des méthodes plus élaborées ont été systématisées pour les professionnels.

Filtre de Prewitt

le filtre de Prewitt introduit un flou, chacune des deux matrices étant le produit du filtre

dérivation dans la direction considérée par un filtre de flou rectangulaire selon l'autre direction

[6].

Les différents masques de convolution de Prewitt sont :

Figure 2.2: Filtre de Prewitt [16].

Filtre de Sobel

la technique précédente est améliorée en remplaçant le filtre rectangulaire par un filtre

triangulaire [6].

Les différents masques de convolution de Sobel sont :


22

Figure 2.3 : Filtre de Sobel [16].

Filtre de Canny

C’est un filtre de Sobel précédé par un lissage gaussien et suivi par un seuillage. Ce filtre

est conçu pour être optimal, au sens de trois critères [6].

Figure 2.4: Filtre de Canny [7].


23

2.8 Opérateurs morphologiques

Les opérateurs morpho-mathématiques se sont initialement appliqués sur des images en noir

et blanc (Matheron et Serra, 1965). Ils ont ensuite été étendus à des images en niveaux de gris

par Dougherty en 1978. Pour les appliquer séparément à chaque composante couleur [7]

2.8.1 Conversion de l’image en niveau de gris

L’image qui est en origine en couleur sera transformée en une image en niveau de gris, un

pixel est représenté sur 8 bits et le nombre de composant couleur pour chaque pixel sera donc

égal à 1.

2.8.2 L’érosion

Elle permet d'éliminer les pixels noirs isolés au milieu des parties blanches de l'image, la

séparation des objets à l'endroit des étranglements, le rétrécissement des objets de grande taille

et la disparition des petites composantes [7]

2.8.3 La dilatation

Elle élimine les tâches blanches dans des zones noires mais ajoute des pixels noirs au contour

des objets présents dans l’image [7].

Figure 2.5 : Exemple de dilation et érosion.

2.8.4 L'ouverture

Une érosion suivie d'une dilatation s'appelle une ouverture. L’ouverture a pour propriété

d'éliminer toutes les parties des objets qui ne peuvent pas contenir l'élément structurant.


24

2.8.5 La fermeture

Une dilatation suivie d'une érosion s'appelle une fermeture. Il a pour propriété de combler

tout ce qui est de taille inférieur à l'élément structurant.

3. Segmentation d’image

3.1 Définition de la segmentation

La segmentation est un traitement de bas niveau qui consiste à créer une partition de l'image

A en sous-ensembles𝑅𝑖, appelés régions tels qu’aucune région ne soit vide, l'intersection entre

deux régions soit vide et l’ensemble des régions recouvre toute l'image [8].

Une région est un ensemble de pixels connexes ayant des propriétés communes qui les

différencient des pixels des régions voisines [8].

On peut dit que :

La segmentation est la partition d'une image en un ensemble de régions qui ne se chevauchent

pas et dont l'union est l'image entière. Quelques règles à suivre pour obtenir une segmentation

sont :

1. Les régions doivent être uniformes et homogènes par rapport à certaines caractéristiques

(niveau de gris, écart type, gradient).

2. Leurs intérieurs doivent être simple et sans beaucoup de petits trous (des parties de région

non segmentés).

3. Les régions adjacentes doivent avoir des valeurs très différentes par rapport à la

caractéristique prise en compte dans la segmentation.

4. Les limites de chaque région doivent être simples et spatialement précises.

En terms mathématiques:

Où Ri est l’ensemble des régions formant l’image I.

Est une opération appliquée à l’image qui consiste à subdivise une scène réelle, en parties

constituantes ou objets, en projetant une scène réelle sur un plan.. Il faut donc disposer d’un

certains nombres d’attributs, représentatifs des régions que l’on cherche à extraire pour

procéder [35].


25

Il existe deux techniques permettant la mise en oeuvre de la segmentation ; la première

connue sous le nom de segmentation implicite et la deuxième c’est la segmentation explicite

[4].

La segmentation implicite

Les méthodes de segmentation implicite s’inspirent des approches utilisées dans le domaine

de la parole, où le signal est divisé en intervalles de temps réguliers et procèdent à une sur-

segmentation importante de l’image du mot à pas fixe (un ou quelques pixels). Cela permet

d’assurer un taux de présence important des points de liaison entre lettres considérées.

La segmentation s’effectue pendant la reconnaissance qui assure son guide. Le système

recherche dans l’image, des composantes ou des groupements de graphèmes (La plus petite

unité distinctive de l’écriture) qui correspondent à ses classes de lettres. Classiquement, il

peut le faire de deux manières :

Soit par fenêtrage : le principe est d’utiliser une fenêtre mobile de largeur variable (qui n’est

pas facile à déterminer) pour trouver des séquences de points de segmentation potentiels

qui seront confirmés ou non par la reconnaissance de caractères. Elle nécessite deux étapes :

La génération d’hypothèses de segmentation (séquences de points obtenus par le fenêtrage),

le deuxième est le choix de la meilleure hypothèse de la reconnaissance (validation).

soit par recherche de primitives : il s’agit de détecter les combinaisons de primitives qui

donneront la meilleure reconnaissance [35].

La segmentation explicite

Cette approche souvent appelée dissection, elle est antérieure à la reconnaissance et n’est

pas remise en cause pendant la phase de reconnaissance. Les hypothèses des caractères sont

déterminées à partir des informations de bas niveau présentes sur l’image.

Ces hypothèses sont définitives et doivent être d’une grande fiabilité car la moindre erreur

de segmentation remet en cause la totalité des traitements ultérieurs.

Les approches de segmentation explicite s’appuient sur une analyse morphologique du mot

manuscrit pour localiser des points de segmentation potentiels. Elles sont particulièrement

adaptées à l’analyse de la représentation bidimensionnelle et donc plus souvent utilisées

dans les systèmes de reconnaissance hors-ligne de mots.

Certaines méthodes de segmentation explicite sont basées sur une analyse par

morphologiques mathématiques exploitent les concepts de régularité et singularité du tracé,

analyse des contours supérieurs ou inférieurs du mot.


26

Les points de segmentation potentiels détectés sont confirmés à l’aide de diverses heuristiques

[4].

3.2 Le choix d’une technique de segmentation

Le choix est lié à [8] :

La nature de l’image (éclairage, contours, texture, etc.).

Aux opérations en aval de la segmentation (compression, reconnaissance des formes,

Mesures, etc.).

Aux primitives à extraire (droites, régions, textures, etc.).

Aux contraintes d’exploitation (temps r1éel, espace mémoire, etc.).

3.3 Objectifs de la segmentation

Fournir des régions homogènes (selon un critère donné) .

Localiser de manière précise les contours des régions .

L’étude et l’interprétation des structures anatomiques .

Reduction de bruit [8].

3.4 Les stratégies de segmentation

En traitement d’image, il existe quatre types différents stratégies de la segmentation des

images couleur, à savoir les stratégies scalaires, marginales, vectorielles et hybrides [8].

3.4.1 Les stratégies scalaires

L'approche scalaire commence par une fusion des n composantes de l’image multi

composante. L’image sous forme mono-composante ainsi obtenue est traitée par la suite

(Figure 2.6). Par exemple, une image vectorielle couleur codée dans l’espace RVB peut être

transformée, avant traitement, en une image scalaire. Cela peut être réalisé au moyen d’une

analyse en composantes principales dont on ne retient que la première composante.


27

Figure 2.6: Stratégie scalaire [8].

3.4.2 Les stratégies marginales

L’approche marginale opère un traitement scalaire sur chaque composante de l’image .Les

résultats obtenus sont ensuite fusionnés en une seule image mono-composante (Figure

2.7).Cette stratégie demande autant de traitements qu'il y a de composantes.

Figure 2.7 : Les stratégies marginales [8].

3.4.3 Les stratégies vectorielles

L’approche vectorielle utilise directement, et de façon globale, l’information vectorielle

présente dans l’image (Figure 2.8). La corrélation entre composantes est ainsi prise en compte.


28

Figure 2.8: Les stratégies vectorielles [8].

3.4.4 Les Stratégie hybride

Le mélange des deux stratégies marginales et vectorielles résulte la stratégie hybride. Elle est

couramment utilisée dans la segmentation par analyse d'histogrammes des images couleur.

3.5 Méthodes de classification

Les méthodes de classification ont pour but d’identifier les classes auxquelles

appartiennent des objets à partir de certains paramètres descriptifs.

Elles s’appliquent à un grand nombre d’activités humaines et conviennent en particulier au

problème de la prise de décision automatisée. La procédure de classification sera extraite

automatiquement à partir d’un ensemble d’exemples.

Un exemple consiste en la description d’un cas avec la classification correspondante.

Un système d’apprentissage doit alors, à partir de cet ensemble d’exemples, extraire une

procédure de classification, il s’agit en effet d’extraire une règle générale à partir des données

observées. La procédure générée devra classifier correctement les exemples de l’échantillon et

avoir un bon pouvoir prédictif pour classifier correctement de nouvelles descriptions.

Parmi les méthodes qui ont été développées dans ce contexte (machine d'apprentissage), nous

distinguons par exemple les réseaux de neurones et les machines à vecteurs du support (SVM :

Support Vector Machines, en anglais) ainsi que K plus proches voisins (K Nearest Neighbors)

[9].


29

3.5.1 Réseaux de neurones

Un réseau de neurones est un assemblage de neurones connectés entre eux. Un réseau

réalise une ou plusieurs fonctions algébriques de ses entrées, par composition des fonctions

réalisées par chacun des neurones.

La capacité de traitement de ce réseau est stockée sous forme de poids d'interconnexions

obtenus par un processus d'apprentissage à partir d'un ensemble d'exemples d'apprentissage, Il

arrive souvent que les exemples de la base d'apprentissage comportent des valeurs

approximatives ou bruitées.

Si on oblige le réseau à répondre de façon quasi parfaite relativement à ces exemples, on peut

obtenir un réseau qui est biaisé par des valeurs erronées [13].

3.5.2 Machines à Vecteur de Support (Support Vector Machine)

L'algorithme des machines à vecteurs de support a été développé dans les années 90 par

Vapnik. Il a initialement été développé comme un algorithme de classification binaire

supervisée. Il s'avère particulièrement efficace de par le fait qu'il peut traiter des problèmes

mettant en jeu de grands nombres de descripteurs, qu'il assure une solution unique (pas de

problèmes de minimum local comme pour les réseaux de neurones) et il a fourni de bons

résultats sur des problèmes réels[10][11] .

L'algorithme sous sa forme initiale revient à chercher une frontière de décision linéaire entre

deux classes, mais ce modèle peut considérablement être enrichi en se projetant dans un autre

espace permettant d'augmenter la séparabilité des données [12].

3.5.3 K plus proche voisins (K-NN)

L'algorithme KPPV affecte une forme inconnue à la classe de son plus proche voisin en le

comparant aux formes stockées dans une classe de références nommée prototypes. Il renvoie

les K formes les plus proches de la forme à reconnaître suivant un critère de similarité. Une

stratégie de décision permet d'affecter des valeurs de confiance à chacune des classes en

compétition et d'attribuer la classe la plus vraisemblable (selon la métrique choisie) à la forme

inconnue [15].

Cette méthode présente l’avantage d'être facile à mettre en œuvre et fournit de bons Résultats.

Son principal inconvénient est lié à la faible vitesse de classification due au nombre important

de distances à calculer [14].


31

4. Conclusion

Dans ce chapitre nous avons vu la notion de l'image ainsi que ses différentes

caractéristiques, puis les opérateurs de traitement d'image concrets du domaine de traitement

d'image.

32

Chapitre 3

Machines à vecteurs

de support (SVM)

Chapitre 3 : Machines à vecteurs de support (SVM)

svm

33

1. Introduction

Parmi les méthodes à noyaux, inspirées de la théorie statistique de l’apprentissage de

Vladimir Vapnik, les Machines à Vecteurs de Support (SVM) constituent la forme la plus

connue. SVM est une méthode de classification binaire par apprentissage supervisé, elle fut

introduite par Vapnik en 1995. Cette méthode est donc une alternative récente pour la

classification.

Elle repose sur l’existence d’un classificateur linéaire dans un espace approprié. Puisque

c’est un problème de classification à deux classes, cette méthode fait appel à un jeu de données

d'apprentissage pour apprendre les paramètres du modèle. Elle est basée sur l'utilisation de

fonctions dites noyau (kernel) qui permettent une séparation optimale des données [19].

Les SVM ont été utilisés dans différents domaines d’expertise, tels que les diagnostics

médicaux, le traitement d’image, le traitement du signal, etc. Dans ce chapitre, nous présentons

les aspects théoriques de la méthode SVM.

2. Pourquoi les Machine à Vecteurs de Support (SVM) ?

L'algorithme des machines à vecteurs de support a été développé dans les années 90 par le russe

Vladimir Vapnik. Initialement, les SVM ont été développé comme un algorithme de

classification binaire supervisée. Il s'avère particulièrement efficace de par le fait qu'il peut

traiter des problèmes mettant en jeu de grands nombres de descripteurs, qu'il assure une solution

unique (pas de problèmes de minimum local comme pour les réseaux de neurones) et il a fourni

de bons résultats sur des problèmes réels [19].

L'algorithme sous sa forme initiale revient à chercher une frontière de décision linéaire entre

deux classes, mais ce modèle peut considérablement être enrichi en se projetant dans un autre

espace permettant d'augmenter la séparabilité des données. On peut alors appliquer le même

algorithme dans ce nouvel espace, ce qui se traduit par une frontière de décision non linéaire

dans l'espace initial [19].

3. Définition de SVM

Les SVM sont un ensemble de techniques d’apprentissage supervisé de nouvelle

génération basés sur les progrès récents de la théorie de l'apprentissage statistique, ils


svm

34

sont basés sur le principe de la maximisation de la marge (séparation des classes [18].

Principalement conçues pour résoudre ces problèmes.

Des problèmes de discrimination, permettant de décider à quelle classe appartient

un échantillon.

Cependant, ils peuvent aussi résoudre des problèmes de régression visant à

prédire la valeur numérique d’une variable (Scholkopf et Smola, 2001).C’est-à-dire de

prédiction d’une variable continue en fonction d’autres variables, Comme c’est le cas par

exemple dans de la prédiction de consommation électrique en fonction de la période de

l’année, de la température, etc.

La résolution de ces deux problèmes se base sur la construction d’une fonction h

qui, à un vecteur d’entrée x, fait correspondre une sortie y (y = h(x)) [18].

Les SVM constituent la forme la plus connue parmi les méthodes à noyaux. Ce sont des class

.ifieurs qui reposent sur deux idées clés :

La notion de marge maximale.

La notion de Fonction noyau.

4. Historique

Les séparateurs à vastes marges reposent sur deux idées clés : la notion de marge maximale

et la notion de fonction noyau. Ces deux notions existaient depuis plusieurs années avant

qu'elles ne soient mises en commun pour construire les SVM.

L'idée des hyperplans à marge maximale a été explorée dès 1963 par Vladimir Vapnik et A.

Lerner, et en 1973 par Richard Duda et Peter Hart dans leur livre Pattern Classification. Les

fondations théoriques des SVM ont été explorées par Vapnik et ses collègues dans les années

70 avec le développement de la Théorie de Vapnik-Chervonenkis, et par Valiant.

L'idée des fonctions noyaux n'est pas non plus nouvelle : le théorème de Mercer date de 1909,

et l'utilité des fonctions noyaux dans le contexte de l'apprentissage artificiel a été montrée dès

1964 par Aizermann, Bravermann et Rozoener.

Ce n'est toutefois qu'en 1992 que ces idées seront bien comprises et rassemblées par Boser,

Guyon et Vapnik dans un article, qui est l'article fondateur des séparateurs à vaste marge. L'idée

des variables ressorts, qui permet de résoudre certaines limitations pratiques importantes, ne


svm

35

sera introduite qu'en 1995. À partir de cette date, qui correspond à la publication du livre de

Vapnik, les SVM gagnent en popularité et sont utilisés dans de nombreuses applications .Un

brevet américain sur les SVM est déposé en 1997 par les inventeurs originaux.

5. Apprentissage statistique et SVM

La notion d’apprentissage étant importante, nous allons commencer par effectuer un rappel.

L’apprentissage par induction permet d'arriver à des conclusions par l'examen d'exemples

particuliers. Il se divise en apprentissage supervisé et non supervisé. Le cas qui concerne les

SVM est l’apprentissage supervisé [19].

Les exemples particuliers sont représentés par un ensemble de couples d'entrée/sortie. Le but

est d’apprendre une fonction qui correspond aux exemples vus et qui prédit les sorties pour les

entrées qui n'ont pas encore été vues. Les entrées peuvent être des descriptions d'objets et les

sorties la classe des objets donnés en entrée [19].

6. Principe de fonctionnement général de SVM

6.1 Notions de base

6.1.1 Hyperplan

On appelle hyperplan séparateur un hyperplan qui sépare les deux classes, en

particulier il sépare leurs points d’apprentissage. Comme il n’est en générale pas possible d'en

trouver un, on se contentera donc de chercher un hyperplan discriminant qui est une

approximation au sens d’un critère à fixer (maximiser la distance entre ces deux classes) [18].

Figure 3.1: Exemple d’un hyperplan sépare deux ensembles de points.


svm

36

6.1.2 Vecteurs de support

Ce sont les points de la frontière entre les deux classes des données parmi l'ensemble total

d’apprentissage, ces point sont appelés vecteurs de support [18].

Figure 3.2 : Exemple de vecteurs de support [18].

6.1.3 Marge

Il existe une infinité d’hyperplans capable de séparer parfaitement les deux classes

d’exemples. Le principe des SVM est de choisir celui qui va maximiser la distance

minimale entre l’hyperplan et les exemples d’apprentissage (i.e. la distance entre

l’hyperplan et les vecteurs de support), cette distance est appelée la marge [18].

Figure 3.3 : Exemple de marge maximal (hyperplan valide) [18].


svm

37

6.2 Pourquoi maximiser la marge ?

Intuitivement, le fait d'avoir une marge plus large procure plus de sécurité lorsque l'on classe

un nouvel exemple. De plus, si l’on trouve le classificateur qui se comporte le mieux vis-à-vis

des données d'apprentissage, il est clair qu’il sera aussi celui qui permettra au mieux de classer

les nouveaux exemples. Dans le schéma qui suit, la partie droite nous montre qu'avec un

hyperplan optimal, un nouvel exemple reste bien classé alors qu'il tombe dans la marge. On

constate sur la partie gauche qu'avec une plus petite marge, l'exemple se voit mal classé [19].

Figure 3.4 :a) Hyperplan avec faible marge, b) Meilleur hyperplan séparateur [19]

En général, la classification d’un nouvel exemple inconnu est donnée par sa position

par rapport à l'hyperplan optimal. Dans le schéma suivant, le nouvel élément sera

classé dans la catégorie des « + ».

Figure 3.5 : Exemple de classification d’un nouvel élément.


svm

38

6.3 Linéarité et non-linéarité

Parmi les modèles des SVM, on constate les cas linéairement séparable et les cas non

linéairement séparable.

Figure 3.6 : a) Cas linéairement séparable, b) Cas non linéairement séparable [19].

6.3.1 Cas linéairement séparable

Les cas linéairement séparable sont les plus simples de SVM car ils permettent

de trouver facilement le classificateur linéaire.

6.3.2 Cas non linéairement séparable

Dans la plupart des problèmes réels il n'y a pas de séparation linéaire possible entre les

données, le classificateur de marge maximale ne peut pas être utilisé car il fonctionne seulement

si les classes de données d'apprentissage sont linéairement séparables [19].

Pour surmonter les inconvénients des cas non linéairement séparable, l’idée des SVM est de

changer l'espace des données. La transformation non linéaire des données peut permettre une

séparation linéaire des exemples dans un nouvel espace. On va donc avoir un changement de

dimension. Cette nouvelle dimension est appelé « espace de rescription ».En effet,

intuitivement, plus la dimension de l’espace de rescription est grande, plus la probabilité de

pouvoir trouver un hyperplan séparateur entre les exemples est élevée [19]. Ceci est illustré par

le schéma (Figure 3.7)


svm

39

Figure 3.7 : Transformation de l’espace de données.

On a donc une transformation d’un problème de séparation non linéaire dans l’espace de

représentation en un problème de séparation linéaire dans un espace de rescriptions de plus

grande dimension. Cette transformation non linéaire est réalisée via une fonction noyau [19].

6.4 Fondements mathématiques

6.4.1 Cas des données linéairement séparables

Considérons « l » points:{(𝑥1, 𝑦1),(𝑥2, 𝑦2 ),…( 𝐿1, 𝐿1)}, xl ∈𝑅𝑁. Avec i=1…. L et yi ϵ {±1}.

Ces points sont classés en utilisant une famille de fonctions linéaires définis par :

⟨𝒘, 𝒙⟩ +b = 0 (3.1)

Avec w∈𝑹𝑵et b∈R de telle sorte que la fonction de décision concernant l’appartenance d’un

point à l’une des deux classes soit donnée par :

F(x)=sgn (⟨𝒘, 𝒙⟩ +b) (3.2)

La fonction (3.1) représente l’équation de l’hyperplan H. La fonction de décision (3.2) va donc

observer de quel côté de H se trouve l’élément de x [20].

On appelle la marge d’un élément la distance euclidienne prise perpendiculairement entre H

et x. Si on prend un point quelconque t sur H, cette marge peut s’exprimer en :

𝑴𝒙= 𝒘

||𝒘’||(𝒙 − 𝒕) (3.3)

La marge de toutes les données est définie comme étant :

M = 𝒎𝒊𝒏 𝒙∈𝑬𝑴𝒙 (3.4)


svm

41

L’approche de classification par SVM tend à maximiser cette marge pour séparer le plus

clairement possible deux classes. Intuitivement, avoir une marge la plus large possible

sécurise mieux le processus d’affectation d’un nouvel élément à l’une des classes [7].

Un SVM fait donc partie des classificateurs à marge maximale.

Un classificateur à marge maximale est un classificateur dont l’hyperplan optimal séparant

deux classes est une solution du problème d’optimisation mathématique suivant (forme

primale) :

Minimiser 𝟏

𝟐||𝐰||𝟐(⟨𝐰, 𝐱⟩ +b) z ≥ 𝐱 ∈ 𝐄 (3.5)

La fonction objective de ce problème est le carré de l’inverse de la double marge qu’on

veut maximiser. La contrainte unique correspond au fait que les éléments x doivent être

bien placés.

La résolution de ce problème nécessite de fixer les paramètres w et b qui constituent les

variables 𝛂𝑖dela machine d’apprentissage.

Les classificateurs à marge maximale donnent de bons résultats lorsque les données sont

linéairement séparables.

La tâche de discrimination est de trouver un hyperplan qui sépare deux (ou plus)

ensembles de vecteurs.

Pour la détection et la reconnaissance des vertèbres, ces deux classes peuvent être région

de vertèbre ou non [7].

6.4.1.1 Forme duale

La formulation primale peut être transformée en formulation duale en utilisant les

multiplicateurs de Lagrange. L'équation (3.5) s’écrit alors sous la forme suivante [7] :

L (w, b, a) =𝟏

𝟐||𝒘||𝟐-∑ 𝜶𝑖 (𝒚𝑖

𝑙𝒊=𝟏 ( ⟨𝒘, 𝒙𝑖⟩ +b) -1) (3.6)

6.4.2 Cas des données non-linéairement séparables

On part du problème primal linéaire et on introduit des variables « ressort » pour

assouplir les contraintes [19] :

{𝒎𝒊𝒏

𝟏

𝟐||𝒘||𝟐 + 𝒄∑𝜺𝒊

𝒏

𝒊=𝟏

∀𝑖, 𝒚𝒊(𝒘. 𝒙𝒊 + 𝒃) ≥ 𝟏 − 𝜺𝒊

On pénalise par le dépassement de la contrainte.

(3.9)


svm

41

On en déduit le problème dual qui a la même forme que dans le cas séparable [19] :

{

𝑚𝑎𝑥∑𝛼𝑖 −

1

2∑𝛼𝑖𝛼𝑗𝑦𝑖𝑦𝑗𝑥𝑖 . 𝑥𝑗𝑖𝑗

𝑛

𝑖=1

∀𝑖, 0 ≤ 𝛼𝑖 ≤ 𝑐

∑𝛼𝑖𝑦𝑖 = 0

𝑛

𝑖=1

La seule différence est la borne supérieure C sur les α.

6.4.3 Fonction noyau

La transformation de l’espace de représentation des données d’entrées en un

espace de plus grande dimension F, dans lequel il est probable qu’il existe une séparatrice

linéaire, afin de pouvoir traiter des cas où les données ne sont pas linéairement séparables. Les

fonctions du noyau sont utilisées pour cartographier efficacement les données d'entrée qui

peuvent ne pas être séparées linéairement en un espace de grande dimension, où des méthodes

linéaires peuvent alors être appliquées [18].

Figure 3.8 : Le passage par une description des données peut permettre une séparation

linéaire des exemples.

(3.8)


svm

42

6.4.3.1 Exemples de noyaux

Linéaire k (x, x’) = x. x’

Polynomial k (x, x’) = (𝑥. 𝑥’)𝑑ou (𝑐 + 𝑥. 𝑥’)𝑑

Gaussien k (x, x’) =𝑒−||𝑥−𝑥’||2/𝜎

Laplacien k (x, x’) =𝑒−||𝑥−𝑥’||1/𝜎 [19].

On remarque en général que le noyau gaussien donne de meilleurs résultats et groupe les

données dans des paquets nets. En pratique, on combine des noyaux simples pour en obtenir de

plus complexe [19].

6.5 SVM multi-classes

La plupart des problèmes rencontrés dans la réalité, sont de type multi classes. D’où

l’importance d'étendre le principe du SVM aux problèmes de plus de deux classes, il y a eu

plusieurs tentatives pour combiner des classificateurs binaires pour cerner ce problème (multi

classes), il y a également des essais pour incorporer la classification de plusieurs classes dans

le processus du SVM de sorte que toutes les classes soient traitées simultanément. Nous allons

par la suite expliquer brièvement les méthodes (stratégies) utilisées.

6.5.1 Approche Un contre un (One versus One)

Cette méthode, appelée aussi "pairwise". Elle consiste à utiliser un classifieur pour chaque

paire de classes. Au lieu d’apprendre K fonctions de décisions, la méthode 1vs1 discrimine

chaque classe de chaque autre classe, ainsi K (K - 1)/2 fonctions de décisions sont apprises.

Pour chaque paire de classes (k ; s), la méthode 1vs1 définit une fonction de décision binaire :

ℜ {−1,+1}.

L’affectation d’un nouvel exemple se fait par liste de vote. On teste un exemple par le calcul

de sa fonction de décision pour chaque hyperplan. Pour chaque test, on vote pour la classe à

laquelle appartient l’exemple (classe gagnante). On définit pour le faire la fonction de décision

binaire 𝑯𝑲𝑺(x) de l’équation (3.9).

𝑯𝑲𝑺 (x) = signe (𝑭𝑲𝑺(x))

= {+𝟏 𝒔𝒊 𝒇𝒌𝒔(𝒙) > 0 ; 𝟎 𝒔𝒊𝒏𝒐𝒏

(3.9)

Sur la base des K (K - 1)/2 fonctions de décision binaires, on définit K autres fonctions de

décision l’équation (3.10) :


svm

43

𝑯𝑲 (𝒙) = ∑𝑯𝑲𝑺(𝒙)

𝒎

𝒔=𝟏

(𝟑. 𝟏𝟎)

Un nouvel exemple est affecté à la classe la plus votée. La règle de classification d’un nouvel

exemple x est donnée par l’équation (3.11) :

𝑲∗= 𝑨𝒓𝒈⏟(𝟏≤𝒌≤𝑲)

(Max𝑯𝒌 (x)) (3.11)

Malheureusement, la fonction 3.11 peut être vérifiée pour plusieurs classes, ce qui produit des

zones d’indécisions. La méthode de vote affecte dans ce cas, un exemple aléatoirement à l’une

des classes les plus votées.

(Figure 3.9) représente un exemple de classification de trois classes avec la zone d'indécision.

Figure 3.9 : Approche une-contre-une.

Bien que La méthode 1vs1 utilise, pour l’entrainement, un nombre plus important

d’hyperplans que la méthode 1vsR, elle est souvent plus rapide. Cela est dû, d’une part, au


svm

44

nombre limité d’exemples utilisés pour entrainer chaque hyperplan, et d’autre part, à la

simplicité des problèmes à résoudre. En effet, chaque deux classes prises à part sont moins

chevauchées que toutes les classes [20].

6.5.2 Approche Un contre tous (One versus All)

C’est la méthode la plus simple et la plus ancienne. Selon la formulation de Vapnik,

elle consiste à déterminer pour chaque classe k un hyperplan 𝐻𝑘(𝑤𝑘; 𝑏𝑘) la séparant de toutes

les autres classes. Cette classe k est considéré comme étant la classe positive (+1) et les autres

classes comme étant la classe négative (-1), ce qui résulte, pour un problème à K classes, en K

SVM binaires. Un hyperplan 𝐻𝑘est défini pour chaque classe k par la fonction de décision

suivante :

𝑯𝒌(x) = signe (⟨𝒘𝒌, 𝒙⟩+𝒃𝒌)

= {+𝟏 𝒔𝒊 𝒇𝒌(𝒙) > 0 ; 𝟎 𝒔𝒊𝒏𝒐𝒏

(3.12)

La valeur retournée de l’hyperplan permet de savoir si x appartient à la classe k ou non. Dans

le cas où il n’appartient pas à k (𝐻𝑘(x) = 0), nous n’avons aucune information sur l’appartenance

de x aux autres classes. Pour le savoir, on présente x à tous les hyperplans, ce qui donne la

fonction de décision de l’équation (3.13) suivante :


Max (𝑯𝒌 (x)) (3.13)

Si une seule valeur 𝐻𝑘(x) est égale à 1 et toutes les autres sont égales à 0, on conclut que x

appartient à la classe k. Le problème est que l’équation (3.13) peut être vérifiée pour plus d’une

classe, ce qui produit des régions d’ambiguïté, et l’exemple x est dit non classifiable. La (Figure

3.10) représente un cas de séparation de 3 classes.


svm

45

Figure 3.10 : Approche une-contre-reste avec des zones d’indécision

Pour surmonter cette situation, la méthode 1vsR utilise le principe de "le gagnant prend tout"

("winner-takes-all") : la classe k retenue est celle qui maximise

𝑓𝑘(x) =⟨𝑤𝑘 , x⟩+𝑏𝑘 de l’équation (3.14).


Max (⟨𝒘𝒌, 𝒙⟩ +𝒃𝒌) (3.14)

Géométriquement interprétée, tout nouvel exemple x est affecté à la classe dont

l’hyperplan est le plus loin de x, parmi les classes ayant H(x) = 1 (Figure 3.11).


svm

46

Figure 3.11 : Résolution des cas d’indécision dans la méthode 1vsR.

Souvent, la méthode 1vsR est critiquée à cause de son asymétrie puisque chaque hyperplan est entrainé

sur un nombre d’exemples négatifs beaucoup plus important que le nombre

d’exemples positifs. Par exemple dans le cas de l’OCR, le classifieur du caractère ’A’ est entrainé sur

des exemples positifs représentant ’A’ et des exemples négatifs représentant tous les autres caractères.

La méthode une contre une suivante est une méthode symétrique qui corrige ce problème [20].

1. Graphe de décision

C’est une méthode qui a été développée pour résoudre le problème des zones d’indécision

dans la méthode 1vs1. Premièrement, l’entrainement est effectué par la même méthode 1vs1de

la section précédente pour obtenir K (K – 1)/2 hyperplans. Puis, au lieu d’utiliser le vote pour

l'affectation des nouveaux exemples, on construit un graphe de décision. Pour cela, on définit

une mesure 𝑬𝒌𝒔de la capacité de généralisation sur les différents hyperplans obtenus c.-à-d.

pour chaque paire de classes. Cette mesure représente le rapport entre le nombre de vecteurs

supports de l’hyperplan et le nombre d’exemples des deux classes correspondantes l’équation

(3.15) :


svm

47

𝑬𝒌𝒔=𝑵𝒗𝒔

𝑵𝒆𝒙𝒆𝒎𝒑𝒍𝒆𝒔 (3.15)

Après la phase d’apprentissage on construit un graphe de décision qui sera utilisé pour la

classification selon les étapes suivante :

1. Créer une liste L contenant toutes les classes.

2. Si L contient une seule classe, créer un nœud étiqueté de cette classe et arrêter.

3. Calculer pour chaque paire de classes (i, j) la capacité de généralisation 𝑬𝒊𝒋de l’hyperplan

obtenu dans la phase d’entrainement 1vs1.

4. Rechercher les deux classes k et s dont 𝑬𝒌𝒔est maximum.

5. Créer un nœud N du graphe étiqueté de (k ; s).

6. Créer un graphe de décision à partir de la liste L -{ 𝑘 }, de la même manière, et l'attacher au

fils gauche de N.

7. Créer un graphe de décision à partir de la liste L -{ 𝑠 }, de la même manière, et l’attacher

au fils droit de N.

On obtient ainsi un graphe de décision similaire à l’exemple de (Figure 3.12) dont les

feuilles sont les classes et les nœuds internes sont les hyperplans :

Figure3.12: Graphe de décision acyclique orienté à quatre classes.

Un nouvel exemple x est exposé premièrement à l’hyperplan de la racine. Si la décision est

positive, on continue avec le fils gauche sinon avec le fils droit jusqu’à atteindre une feuille. La


svm

48

feuille atteinte représente la classe de l’exemple x. Contrairement à la méthode de vote, qui

teste pour classifier un exemple K (K -1) /2 hyperplans, la méthode DAG en teste uniquement

K -1, ce qui la rend très rapide en classification par rapport aux méthodes 1vs1 et 1vsR [20].

8. SVMs basées arbres de décision

Dans cette méthode, on apprend pour K classes, (K - 1) hyperplans. Chaque hyperplan sépare

une ou plusieurs classes du reste, selon un découpage choisi. On peut choisir, par exemple un

découpage semblable à la méthode 1vsR où l’hyperplan 𝑯𝒊sépare la classe i des classes i+1, i

+ 2,..., K (Figure 3.13)

Figure 3.13 : SVM multi classe par arbre de décision.

Dans la phase de classification, pour classer un nouvel exemple x, on teste les hyperplans dans

l’ordre croissant et on s’arrête sur le premier hyperplan qui retourne une valeur de décision positive.

L’exemple x appartient alors à la classe positive de cet hyperplan.

9. Architecture générale d’une machine à vecteur support

Une machine à vecteur support, recherche à l’aide d’une méthode d’optimisation, dans un

ensemble d’exemples d’entrainement, des exemples, appelés vecteurs support, qui caractérisent

la fonction de séparation. La machine calcule également des multiplicateurs associés à ces

vecteurs. La machine calcule également des multiplicateurs associés à ces vecteurs. Les


svm

49

vecteurs supports et leurs multiplicateurs sont utilisés pour calculer la fonction de décision pour

un nouvel exemple [20].

Le schéma de (Figure 3.14) résume l’architecture générale d’une SVM dans le cas de la

reconnaissance des chiffres manuscrits.

Figure 3.14 : Architecture d’une machine à vecteur support.

La fonction noyau K est utilisée pour calculer la distance entre le vecteur à tester x et

chaque vecteur support dans l’espace de caractéristique. Les résultats sont ensuite linéairement

combinés en utilisant les multiplicateurs de Lagrange et ajoutés au biais b. Le résultat final f

permet de décider à propos du nouveau vecteur : si f(x) est positive, il s’agit du chiffre "1",

sinon, il s’agit d’un autre chiffre [20].


svm

51

10. Utilisation des SVM

Les SVM présentent une bonne précision de classification, même si seulement une quantité

modeste de données de formation est disponible, ce qui les rend particulièrement adaptées à une

approche dynamique et interactive de la reconnaissance d'expression [18].

Les SVM fournissent des performances de pointe dans les applications du monde

réel telles que la catégorisation des textes, la reconnaissance des caractères manuscrits, la

classification des images, l'analyse des bio séquences, etc., et sont maintenant définis

comme l'un des outils standard pour l'apprentissage et la transmission des machines

exploitation minière [18].

Les machines à vecteurs de support ont déjà été utilisées avec succès dans une variété

d'applications de classification, y compris la reconnaissance d'identité et de texte ainsi que

l'analyse de données sur les microarrays d'ADN [18].

11. Avantages et inconvénients

11.1 Avantages

Très efficace en dimension élevée.

Un nombre de paramètres faible à régler.

Une grande vitesse d’apprentissage.

Ils sont aussi efficaces dans le cas où la dimension de l’espace est plus grande que le nombre

d’échantillon d'apprentissage.

Traitement des problèmes linéaires ou non linéaires selon la fonction du noyau.

Un nombre restreint d’échantillons suffit à la détermination des vecteurs supports

permettant la discrimination entre les classes. En conséquence, ces algorithmes demandent

moins de mémoire [18].

11.2 Inconvénients

Si le nombre d’attributs est beaucoup plus grand que le nombre d’échantillons,

les performances seront moins bonnes.

Comme il s’agit de méthodes de discrimination entre les classes, elles ne fournissent pas

des estimations de probabilités [18].


svm

51

12. Conclusion

Dans ce chapitre, on a donné une vision générale et une vision purement mathématiques des

SVM,on a tenté de présenter d’une manière simple et complète le concept de système

d’apprentissage introduit par Vladimir Vapnik : les « Support Vecteur Machine». Cette

méthode de classification est basée sur la recherche d’un hyperplan qui permet de séparer au

mieux des ensembles de données.

Les machines à support vecteur, sont un outil récent en pleine expansion. Leurs atouts

principaux, résident dans leur capacité de généralisation et l'optimisation qui se fait sans

minimum local, et sans phénomène de sur-apprentissage contrairement à d'autres outils plus

classiquement utilise (réseaux de neurones, ...) ce qui en fait un outil intéressant à développer.

Nous présentons dans le chapitre suivant l'implémentation et résultats de notre système de

reconnaissance automatique de plaques d'immatriculation.

52

Chapitre 4

Application

et résultats

Chapitre 4 : Résultats expérimentaux et discussions

53

1 Introduction

Dans ce dernier chapitre, on va citer les phases principales sur lesquelles notre système de

reconnaissance de plaque d'immatriculation Algérienne LAPI se repose, tels : Le chargement

d’images, le prétraitement, la localisation des plaques, la segmentation des chiffres et enfin leur

reconnaissance en utilisant la méthode de classification SVM (Machines à Vecteurs de Support)

ainsi que la description de l'environnement matériel et logiciel pour l’implémentation de notre

application LAPI.

2 Ressources matérielles et logicielles

2.1 Ressources matérielles

Notre système est développé dans un ordinateur dont les caractéristiques techniques, sont les

suivantes (voir Tableau 3.1):

Composante Description

Processeur Intel Core i3 CPU 2.00GHz

RAM 4.00 Go

Tableau 4.1: Représentation de caractéristique technique de l'ordinateur de développement.

Utilisé pour réaliser notre système de reconnaissance et aussi la création de notre base de

données (les corpus).

D'autre part nous avons utilisé une autre PC portable pour la création de base de données

PC portable (Intel Celeron CPU 2.16 GHz, avec 2Go de RAM)

2.2 Ressources logicielles

2.2.1 Environnement informatique

Système d'exploitation : Windows 10 professionnel 64 bit.

Langage de programmation utilisé : on a choisi langage Embarcadero XE3 (C++Builder.).

Nous avons développé notre système à l’aide du langage C++ Builder. Qui est un

environnement de programmation visuel orienté objet pour le développement rapide

d’applications (RAD). En utilisant Embarcadero XE3 C++Builder, on pout, avec un minimum

de codage manuel, créer de performantes applications.


54

Embarcadero XE3 C++Builder est éditeur de logiciel qui met à la disposition des développer

des outils unifiés pour le développement multiplateformes, la modélisation, l’administration et

données fournit tous les outils nécessaires pour développer.

2.2.2 SVM multiclass

Nous avons utilisé l’implémentation SVMmulticlass qui est un moteur SVM développé par

Thorsten Joachims en 2008.

SVMmulticlass est une implémentation open-source de référence pour les machines à support,

vectoriel.

Elle est disponible sur [21] avec documentation, exemples, et références bibliographiques.

Le code est implémenté en C et devenu un des moteurs les plus utilisés actuellement. Il possède

des nombreuses fonctionnalités et des caractéristiques très attractives pour l’utilisateur :

Il permet d’utiliser des nombreux kernels prédéfinis, et même d’utiliser des kernels définis

par l’utilisateur.

Il implémente des algorithmes rapides pour l’optimisation en termes de temps de calcul et

gestion de mémoire.

Il fournit tout un ensemble de paramètres qui permettent d’évaluer les performances des

SVM après chaque processus d’apprentissage, et plus concrètement :

Il montre une estimation de la dimension de Vapnik-Chervonenkis.

Il calcule la précision sur la base d’apprentissage selon une procédure « leaveone out ».

Il permet d’aller au-delà de la classification pour aborder des problèmes de régression, et il

admet une variante appelée SVM-Struct pour les problèmes multi variés et structurés [14].

3. Caractéristiques des plaques d’immatriculation Algériennes

Comme on intéresse aux plaques d’immatriculation algériennes, on commence par donner

quelques règles de base pour les plaques d’immatriculation de véhicules en Algérie:

La plaque est composée de dix chiffres (de 00000 100 01 à 99999 399 48) désignant le

numéro d’enregistrement du véhicule.

Commençant par la droite:

Les deux premiers chiffres entre 01 et 48correspondent à la wilaya.

Les deux premiers chiffres (entre 00 et 99) parmi les trois chiffres qui sont au milieu de

la plaque correspondent à l'année de fabrication de véhicule. Puis le 3èm chiffre restant

(il peut être 1 ou 2 ou bien 3) signifie le type de l'automobile: 1 pour les voitures, 2 pour


55

Les camions et 3 spécifié pour certains marques de véhicules (par exemple : les marques

expressetJ9). [7] - Les cinq derniers chiffres signifient que le véhicule est le (ièm) véhicule qui

est entré dans la wilaya destinée. [7] (voir Figure4.1)

Figure4.1: Composantes de base de l’immatriculation des véhicules Algérienne. [7]

Récemment les gens aiment ajouter quelques illustrations sur la plaque d’immatriculation

de leurs voitures, comme par exemple le drapeau Algérien, le symbole DZ, ……etc.

Figure4.2:Quelques exemples de plaques d’immatriculation Algérienne


56

4. Architecture générale de système LAPI

Figure 4.3: Architecture générale du notre système.

09030511816

Localisation de la

plaque

Charger l'image

Prétraitement Reconnaissance

des chiffres

Segmentation des

chiffres


57

5. Les interfaces de l'application

Pour mieux comprendre le fonctionnement de l’application, les figures qui suivent

décrivent la chronologie des principales fonctionnalités de l’application.

Figure 4.4 : Interface Système de reconnaissance des plaques d'immatriculation Algérienne.

5.1 Système de détection de plaque

Description de notre base de données

Lors de l'évaluation des performances d'un système de reconnaissance il est nécessaire de

disposer d'une base de données.

Nous avons photographié des voitures à Adrar, certaines dans le centre-ville, d'autres à

l'université et certaines dans les palais voisins.

Nous avons construit une base de données contenant 44 images


58

Figure 4.5: Interface Système de détection de plaque.

5.1.1 Charger l’image

Le système LAPI va charger l’image d’un véhicule à partir d’une base de données

contenant d'un ensemble de 44 images.

Figure 4.6: Interface de charger l'image.


59

5.1.2 Prétraitement

Lorsque le chargement de l’image de véhicule est réalisé, le système LAPI va subir une

séquence de prétraitements. Généralement, ces prétraitement sont assez classiques en traitement

d’image et ont pour but de préparer l’image tracée à la phase suivante d’analyse.

Dans cette étape on procède à une série d’opérations : la normalisation, la binarisation, la

conversion de l’image en niveau de gris, et détection de contours.

5.1.2.1 Normalisation

Nous avons effectué cette opération pour éliminer les conditions qui peuvent fausser les

résultats, comme la différence de taille. Pour cela nous avons proposés une procédure qui

permet de normaliser l’image encadrée dans une dimension de 200*250 pixels. Après la

normalisation de la taille, toutes les images se retrouvent définies dans une matrice de même

taille.

5.1.2.2 Conversion de l’image en niveau de gris

Après avoir chargé l'image nous passons à un prétraitement de l'image qui consiste à

convertir l'image couleur d’un niveau RGB en image avec des niveaux de gris. Cela nous

permettra de réduire les nuances et préparer un passage plus sûr vers une image composée que

du blanc et du noir.

Figure 4.7 : Image originale transformée en images en niveau de gris.


61

5.1.2.3 Conversion de l’image en binaire

Dans cette partie, l’image sera transformée en noire et blanc. Pour le faire, nous avons fixé un

seuil S1 (S1=10777215). Si on considère f (i) comme la valeur en niveau de gris du pixel i,

alors on pose la condition suivante :

{ 𝒔𝒊 𝒇(𝒊) > 𝒔𝟏 𝒂𝒍𝒐𝒓𝒔 𝒇(𝒊) = 𝟎

𝒔𝒊𝒏𝒐𝒏 𝒇(𝒊) = 𝟏

Figure 4.8: Application la binarisation sur une image en niveau de gris.

5.1.2.4 Détection de contour

La détection de contours en traitement d’image est une étape essentielle et incontournable

car elle permet une réduction importante de la quantité d’information relative à une image, tout

en préservant des informations structurelles comme les contours et les frontières des images.

Pour faire cela nous allons appliquer un filtre «Prewitt », ainsi on obtiendra le résultat suivant

comme le montre la figure suivante.


61

Figure 4.9: Application de l’algorithme de Prewitt sur une image en niveau de gris.

5.1.2.5 Opération morphologique

En appliquant une opération morphologique proche, on peut supprimer des espaces vides

et connectez toutes les régions qui ont un nombre élevé d'arêtes. Dans cette étape, nous avons

des régions pouvant contenir des plaques.

Dans cette étape on a utilisé l'érosion et fermeture, Le traitement est achevée avec une

érosion en motif rectangulaire, ce qui va réparer les coins des rectangles et supprimer Les point

apparus dans l’image du a quelques restes de pixels noires des étapes précédentes .Fermeture

est Remplissage des trous.

Figure 4.10: Application les opérations de l'érosion et fermeture.

Image après l'application

de l'érosion

Image après l'application

de fermeture


62

5.1.3 Localisation de la plaque

La localisation et l'isolement de la plaque est la phase la plus importante et la plus complexe,

elle détermine la rapidité et la robustesse du système. Après les opérations que nous avons fait

on obtenu la plaque.

Après l’opération morphologique, on peut détecter la région plaque par une analyse

statistique. On va utiliser la projection verticale de l’image pour faire ressortir des bandes

verticales qui contiennent le plus probablement la plaque.

La projection verticale de l’image, est un graphe qui représente la somme des contours

verticaux de l’image suivant l’axe y. La projection horizontale est définie comme la somme

des contours verticaux de l’image suivant l’axe x.

(a) Image avec la fermeture

(b1) projection verticale (b2) projection horizontal

Figure 4.11: Projection verticale et horizontal de l’image d'opération morphologie.


63

Figure 4.12: Localisation de plaque de matricule.

5.2 Système de segmentation

La plaque une fois extraite va être segmenté en séparant les chiffres. La segmentation

traditionnelle basée sur les caractéristiques de la projection verticale des caractères en binaire et sur

l'extraction de composants connexes est faisable et valable pour l'image de bonne qualité, mais cette

méthode repose trop lourdement sur les résultats précédents de localisation de la plaque [7].

Recadrage de la plaque :

Pour une meilleure segmentation, nous avons pensé à un recadrage en blanche de la plaque pour

fusionner le contour avec le reste.

(a) Plaque avec recadrage (b) Plaque sans recadrage

Figure 4.13:la plaque d’immatriculation en caractères avec et sans recadrage.

5.2.1 Segmentation basée sur la projection et les composants connexes

Il existe deux types de segmentation des caractères : la segmentation horizontale et la

segmentation verticale.


64

5.2.1.1 Segmentation horizontale

Elle est principalement utilisée pour filtrer les bruits des frontières supérieures et inférieures,

supprimer certains rivets et localiser les limites supérieures et inférieures de la région des caractères

de la plaque d'immatriculation.

5.2.1.2 Segmentation verticale

Elle est principalement utilisée pour filtrer les bruits des frontières gauche et droite, supprimer

certains rivets entre les caractères et segmenter tous les caractères de la plaque d'immatriculation

sans erreur.

La méthode de segmentation que nous avons la supposé est assez simple. En effet, le système

LAPI va séparer les caractères selon les pixels des objets les plus connectés puis il va tracer ces

derniers par des rectangles.

Le système LAPI a pu segmenter 34 plaques parmi 36 avec un taux de segmentation 98.74%

ce que signifie que la méthode de segmentation utilisée est considérablement fiable.

Le processus de segmentation est montré dans la figure ci-dessous

(a) Plaque d’immatriculation détectée (b) Caractères segmentés.

Figure 4.14: Processus de segmentation des caractères de plaques d’immatriculation.

5.3 Système de reconnaissance de chiffre

5.3.1 Description de notre base de données

Lors de l'évaluation des performances d'un système de reconnaissance il est nécessaire de

disposer d'une base de données.

Apres la détection de la plaque d'immatriculation, Nous avons capté chaque chiffre dans la

plaque. Nous avons construit une base de données contenant 400 images.

Les systèmes

Images

Nombre des plaques 36

Nombre des classes 10

Nombre de chiffre pour chaque classe 40


65

Nombre totale des images 400

Nombre des images pour la Base d’apprentissage 300

Nombre des images pour le test 100

Tableau 4.2: Description de notre base de données.

N0 Classe Des échantillons de la base de données

1

2

3

4

5

6

7

8

9

10

Tableau 4.3: Des échantillons de notre base de données.

5.3.2 L’extraction des primitives

C’est l’une des étapes les plus délicates et les plus importantes en OCR. La reconnaissance

d’un caractère passe d’abord par l’analyse de sa forme et l’extraction de ses traits

caractéristiques (primitives) qui seront exploités pour son identification.

Nous avons utilisé la technique de matrice de distribution pour que nous présentions dans la

section suivante.


66

5.3.2.1 Construction de la matrice de distribution

La construction de la matrice de distribution est une phase très importante dans notre système.

Pour une matrice de distribution de taille N x N, le principe consiste à superposer une grille

(N×N) sur l'image du caractère et calculer pour chacune des cellules [i,j] résultantes le nombre

de pixels noir, puis attribuer ce nombre à la case[i,j] de la matrice de distribution .

Nous considérons par exemple la représentation de chiffre « 9» dans sa forme isolée, sur une

matrice de distribution de 4x4.

Figure 4.15 : Exemple de matrice de distribution (4*4) de chiffre "9".

Pour le système proposé nous avons utilisé une matrice de distribution de taille 4 x 4 et l’image

de chiffre est de taille 16 x 16 après la normalisation. Nous présentons ci-après l’algorithme qui

permet de construire la matrice de distribution

2 12 2 4

8 2 6 7

8 2 8 8

7 7 8 5


67

5.3.2.2 Structure de vecteur de caractéristique

Dans le système de reconnaissance le vecteur de caractéristique est de taille 16, il représente les

valeurs de matrice de distribution (4x4).

Exemple :

Les

cases

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

vecteur 8 15 15 8 13 0 1 13 14 0 0 13 8 15 15 7

Tableau 4.4: Vecteur des caractéristiques de chiffre "0" Zéro.


68

5.3.2.3 Corpus

Le corpus est un fichier texte possède une structure particulière. Chaque ligne du corpus

représente le vecteur de caractéristique d’une image, la première valeur de la ligne est le numéro

de la classe, ensuite chaque valeur de vecteur de caractéristique est précédé par un index (Index:

Valeur).

Nous avons présenté ci-dessous une ligne de corpus pour l'image "3" qui a le numéro de la

classe 3.

3 1:11 2:0 3:4 4:6 5:9 6:4 7:1 8:11 9:11 10:16 11:12 12:11

13:2 14:4 15:8 16:3

Figure 4.16 : Interface de création des corpus.

6 Expérimentations et Résultats

Dans cette phase, on a utilisé la méthode de classification : Machines à Vecteurs de

Support(SVM).

Approche: on a utilisé l'approche un contre une.

Type de noyau: RBF


69

Figure 4.17: Interface de démarrer l’apprentissage.

Le taux de reconnaissance de système de reconnaissance des chiffres, nous obtenons

98%. (voir Figure 4.18).

Figure 4.18 : Interface de la classification.


71

7 Conclusion

Dans ce chapitre, nous avons présenté un système à base de SVM pour la reconnaissance

des plaques d’immatriculation Algérienne, en se basant sur trois étapes principales: localisation

de la plaque, séparation des chiffres et finalement la décision.

Ce système a été réalisé en grande partie grâce aux différentes phases de traitement que nous

avons utilisé.

71

Conclusion

Générale

72

Conclusion générale

Conclusion générale

Le travail s’inscrit dans le cadre générale de la détection et reconnaissance automatique

des plaques d'immatriculation Algérienne plus précisément, il exploite une approche basée sur

les machines à vecteurs de support appliquée à la reconnaissance des chiffres imprimés.

Malgré que la localisation et l’isolement de la plaque est la phase la plus complexe .Dans

notre système, pour localiser et détecter la plaque d’immatriculation dans l’image de la voiture,

nous avons appliqué une série d’opérations telles que : niveau de gris, Binairisation, filtre

Prewitt,….

Dans notre système LAPI, nous avons opté la méthode de machine à vecteurs de support

pour décider la classe d’appartenance de chaque chiffre.

Après quelques tests effectués sur des plaques d'immatriculation, nous remarquons que la

méthode de SVM est efficace pour la reconnaissance. Nous estimons que cette méthode a une

bonne performance car notre base d’apprentissage est vraiment trop petite par rapport à ce

qu’elle devrait être.

Comme perspectives, nous souhaitons améliorer les résultats obtenus en analysant les cas de

défaillances et traiter les

73

Référence

Bibliographique

74

Références

Références

[1] Pr. MESHOUL .S «Approches bio-inspirées pour la reconnaissance de formes», universite

mentouri de constantine faculte des sciences de l’ingenieur departement d’informatique.

[2] Mr. Alain LIORET« La reconnaissance de Forme Comment améliorer les techniques de

reconnaissance de forme 3D ? », Mémoire de Recherche Le 06/06/2010 à Paris.

[3] LAETITIA LEYRIT «Reconnaissance d’objets en vision artificielle : application à la

reconnaissance de piétons», Université Blaise Pascal - Clermont-Ferrand II, 2010. Français.

[4] M.DJABEUR DJEZZAR,F.BENKADA «Mise au Point d’une Application de

Reconnaissance de Formes»,Université Abou Bakr Belkaid– Tlemcen Faculté des Sciences

Département d’Informatique2016-2017.

[5] I.NOR, S.SIDHOUM «Développement d'une application de détection et de reconnaissance

de plaques d'immatriculation(LAPIA) », Université Abou Bakr Belkaid– Tlemcen Faculté des

Sciences Département d’Informatique 2016-2017.

[6] Aboubacar Beidari Abdoul Nasser;Bourezg Mohamed «Développement d'une application

de fiable détection et de reconnaissance de plaques d'immatriculation», Université Abou Bakr

Belkaid– Tlemcen Faculté des Sciences Département d’Informatique 2017-2018.

[7] AKACEM, RAHMANI «Système de reconnaissance des plaques d'immatriculation

Algérienne», Université d’Adrar Faculté des Sciences et de la Technologie Département des

Mathématiques et Informatique 2014-2015.

75

Références

[8] Belmerabet Sarra,Bardjak Nawal Devant «Segmentation d’image», Université Larbi Ben

M'hidi Oum El Bouaghi Faculté des Sciences Exactes et Sciences de la Nature et de la Vie

Département des Mathématiques et Informatique 2016-2017.

[9] S.Fayssl et B.Abdrrahmane « Reconnaissance des chiffres manuscrits par les SVM »,Thèse

de licence. Université Ahmed Draïa D’Adrar, 2014-2015.

[10] C. Bahlmann, B. Haasdonk, H. Burkhardt « On-line Handwriting Recognition with

Support Vector Machines A Kernel Approach», Publ. in Proc. of the 8th Int. Workshop on

Frontiers in Handwriting Recognition (IWFHR), pp. 49–54, Germany, 2002.

[11] M. Li« Sequence and Text Classification: Features and Classifiers»,Thèse de phd, Ecole

de sciences d'informatique, Université d'est d'Anglia, Norwich NR4 7TJ, Juillet 2006.

[12] P. Mahé « Noyaux pour graphes et Support Vector Machines pour le criblage

virtuel de molécules », Rapport de stage, DEA MVA 2002/2003, Septembre 2003.

[13] Hanoi « Réseaux de neurones pour la reconnaissance des formes», 15 juillet 2005.

[14] Mr.Mamouni, «Sélection expérimentale de modèles SVM multi-classes application à la

reconnaissance des caractères arabes», Thèse de magister. Université des Sciences et des

Technologies d’Oran Mohamed BOUDIAF ,2012.

[15] S. Snoussi maddouri, « Modèle perceptif neuronal à vision globale-locale pour la

reconnaissance de mots manuscrits arabes », 2002.

[16]http://www.tsi.enst.fr/pages/enseignement/ressources/mti/localisation_et_epaisseur3/inde

x.h ml 07/05/2020

[17] BAHMED FARAH «reconnaissance automatique de logo de voitures», université des

sciences et de la technologie d’oran mohamed boudiaf faculte de genie electrique departement

d’electronique... 05/10/2010.

http://www.tsi.enst.fr/pages/enseignement/ressources/mti/localisation_et_epaisseur3/index.h%20ml

http://www.tsi.enst.fr/pages/enseignement/ressources/mti/localisation_et_epaisseur3/index.h%20ml

76

Références

[18] h.ouakkaf belgasmi«reconnaissance automatique des expressions faciales par support

vector machine», université larbi ben m'hidi oum el bouaghi faculté des sciences exactes et des

sciences de la nature et de la vie…06 juin 2017.

[19] M. ZAIZ Faouzi «Les Supports Vecteurs Machines (SVM) pour la reconnaissance des

caractères manuscrits arabes» Université Mohamed Khider – BISKRA…15/07/2010.

[20] A. DJEFFAL «Utilisation des méthodes Support Vector Machine (SVM) dans l’analyse

des bases de données» Université Mohamed Khider - Biskra … 2011/2012.

[21] http://www.cs.cornell.edu/People/tj/svm%5Flight/svm_multiclass.html 13/03/2020

http://www.cs.cornell.edu/People/tj/svm_light/svm_multiclass.html

77

Documents

Lecture Automatique de Plaques d'Immatriculation par les